Build your ultimate AI agent
รายละเอียดคอร์ส
ข้อมูล time series พบได้ทุกที่ ไม่ว่าจะเป็นความผันผวนของตลาดหุ้น ข้อมูลเซนเซอร์ที่บันทึกการเปลี่ยนแปลงสภาพภูมิอากาศ หรือสัญญาณกิจกรรมในสมอง สัญญาณใดก็ตามที่เปลี่ยนแปลงตามเวลาล้วนจัดเป็น time series ทั้งสิ้น machine learning ได้กลายเป็นเครื่องมืออันทรงพลังที่ช่วยดึงประโยชน์จากความซับซ้อนในข้อมูล เพื่อสร้างการพยากรณ์และข้อมูลเชิงลึกสำหรับปัญหาที่ต้องการแก้ไข คอร์สนี้อยู่ที่จุดตัดระหว่างสองโลกของ machine learning และข้อมูล time series ครอบคลุมการสร้างฟีเจอร์ spectrogram และเทคนิคขั้นสูงอื่น ๆ เพื่อจำแนกเสียงการเต้นของหัวใจและพยากรณ์ราคาหุ้น
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
พื้นฐาน Time Series และ Machine Learning
บทนี้เป็นการแนะนำพื้นฐานของ machine learning ข้อมูล time series และจุดเชื่อมต่อระหว่างทั้งสองด้าน
- ประเภทและการประยุกต์ใช้ข้อมูล Time Series50 XP
- การระบุ time series50 XP
- การพล็อตข้อมูล Time Series (I)100 XP
- การพล็อตข้อมูล Time Series (II)100 XP
- พื้นฐาน Machine Learning50 XP
- การ Fit โมเดลเบื้องต้น: การจำแนกประเภท100 XP
- การพยากรณ์ด้วยโมเดลการจำแนกประเภท100 XP
- การ Fit โมเดลเบื้องต้น: การถดถอย100 XP
- การพยากรณ์ด้วยโมเดล Regression100 XP
- Machine Learning และข้อมูลอนุกรมเวลา50 XP
- การตรวจสอบข้อมูลสำหรับการจำแนกประเภท100 XP
- ตรวจสอบข้อมูลสำหรับการถดถอย100 XP
2
Time Series ในฐานะ Input ของโมเดล
วิธีที่ง่ายที่สุดในการนำ time series เข้าสู่ pipeline ของ machine learning คือการใช้เป็นฟีเจอร์ในโมเดล บทนี้ครอบคลุมฟีเจอร์ทั่วไปที่สกัดจาก time series เพื่อใช้ใน machine learning
3
การพยากรณ์ข้อมูล Time Series
การพยากรณ์รูปแบบจากข้อมูลที่เปลี่ยนแปลงตามเวลาต้องคำนึงถึงวิธีการเลือกและสร้างโมเดลอย่างรอบคอบ บทนี้ครอบคลุมการวิเคราะห์ข้อมูลเบื้องต้นก่อน Fit โมเดล รวมถึงแนวทางปฏิบัติที่ดีในการใช้โมเดลเชิงพยากรณ์กับข้อมูล time series
4
การตรวจสอบและวิเคราะห์โมเดล Time Series
เมื่อสร้างโมเดลสำหรับพยากรณ์ข้อมูล time series แล้ว ขั้นตอนถัดไปคือการประเมินว่าโมเดลนั้นดีหรือไม่ บทนี้ครอบคลุมพื้นฐานการสร้างการพยากรณ์ด้วยโมเดล เพื่อนำไปตรวจสอบกับข้อมูล "test"
Machine Learning สำหรับข้อมูล Time Series ใน Python
เรียนจบแล้ว

