Name: Machine Learning cho Dữ liệu Chuỗi thời gian bằng Python
Rating: 4.779569892473118 (186 reviews)

Mô tả khóa học

Dữ liệu chuỗi thời gian có ở khắp nơi. Dù là biến động thị trường chứng khoán, dữ liệu cảm biến ghi nhận biến đổi khí hậu, hay hoạt động trong não bộ, bất kỳ tín hiệu nào thay đổi theo thời gian đều có thể được mô tả như một chuỗi thời gian. Machine learning đã nổi lên như một phương pháp mạnh mẽ để khai thác độ phức tạp trong dữ liệu nhằm tạo ra dự đoán và hiểu biết sâu hơn về bài toán cần giải. Khóa học này là điểm giao thoa giữa hai thế giới đó — machine learning và dữ liệu chuỗi thời gian — và đề cập đến kỹ thuật trích xuất đặc trưng, phổ thời gian (spectrogram), cùng các kỹ thuật nâng cao khác để phân loại âm thanh nhịp tim và dự đoán giá cổ phiếu.

Yêu cầu tiên quyết

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

Chương trình học

Đề cương khóa học

Nhập môn Chuỗi thời gian và Machine Learning

Chương này giới thiệu những kiến thức cơ bản về machine learning, dữ liệu chuỗi thời gian, và điểm giao thoa giữa hai lĩnh vực này.

Bắt đầu chương

Dùng Chuỗi thời gian làm Đầu vào cho Mô hình

Cách đơn giản nhất để đưa chuỗi thời gian vào pipeline machine learning là dùng chúng làm đặc trưng trong mô hình. Chương này trình bày các đặc trưng phổ biến được trích xuất từ chuỗi thời gian để phục vụ machine learning.

Bắt đầu chương

Dự đoán Dữ liệu Chuỗi thời gian

Nếu bạn muốn dự đoán các mẫu hình từ dữ liệu theo thời gian, bạn cần cân nhắc đặc thù trong cách chọn và xây dựng mô hình. Chương này đề cập cách khai thác hiểu biết từ dữ liệu trước khi huấn luyện mô hình, cũng như các thực hành tốt nhất khi dùng mô hình dự đoán cho dữ liệu chuỗi thời gian.

Bắt đầu chương

Kiểm định và Kiểm tra Mô hình Chuỗi thời gian

Khi đã có mô hình dự đoán dữ liệu chuỗi thời gian, bạn cần xác định xem nó tốt hay chưa. Chương này trình bày những điều cơ bản về tạo dự đoán bằng mô hình để kiểm định chúng với dữ liệu "kiểm tra".