Name: Machine Learning para dados de séries temporais em Python
Rating: 4.775956284153006 (183 reviews)

Descrição do curso

Dados de séries temporais estão em toda parte. Seja a oscilação do mercado de ações, dados de sensores registrando mudanças climáticas ou a atividade do cérebro, qualquer sinal que muda ao longo do tempo pode ser descrito como uma série temporal. Machine Learning surgiu como um método poderoso para aproveitar a complexidade dos dados e gerar previsões e insights sobre o problema que você quer resolver. Este curso é a interseção entre esses dois mundos — Machine Learning e dados de séries temporais — e aborda engenharia de atributos, espectrogramas e outras técnicas avançadas para classificar sons de batimentos cardíacos e prever preços de ações.

Pré-requisitos

Manipulating Time Series Data in Python Visualizing Time Series Data in Python Supervised Learning with scikit-learn

Programa de estudos

Conteúdo do curso

Introdução a séries temporais e Machine Learning

Este capítulo apresenta o básico de Machine Learning, dados de séries temporais e onde esses dois temas se encontram.

Começar capítulo

Séries temporais como entrada do modelo

A maneira mais simples de incorporar séries temporais ao seu pipeline de Machine Learning é usá-las como atributos em um modelo. Este capítulo aborda atributos comuns extraídos de séries temporais para fazer Machine Learning.

Começar capítulo

Prevendo dados de séries temporais

Se você quer prever padrões em dados ao longo do tempo, há cuidados especiais na escolha e construção do modelo. Este capítulo mostra como extrair insights dos dados antes de ajustar o modelo, além de boas práticas no uso de modelos preditivos para séries temporais.

Começar capítulo

Validação e inspeção de modelos para séries temporais

Depois de ter um modelo para prever dados de séries temporais, você precisa decidir se ele é bom ou ruim. Este capítulo cobre o básico de gerar previsões com modelos para validá-los em dados de “teste”.