Публикации по теме 'time-series-analysis'
Новый подход к данным в анализе временных рядов
Расширьте возможности структуры данных, улучшите процесс обработки данных
Данные временного ряда представляют собой последовательность точек данных, проиндексированных во временном порядке. Наиболее распространенным примером данных временных рядов является дневная цена закрытия фондового рынка. Помимо фондового рынка, мы сталкиваемся с множеством различных данных временных рядов, например, климатические изменения во времени или доход от продаж компании. Анализ временных рядов..
Прогнозирование временных рядов для начинающих (с кодами Python и R)
В области науки о данных Time Series (TS) считается одним из малоизвестных навыков (я сам понятия не имел, что это было пару дней назад).
Чтобы изучить основы решения задач временных рядов, я отправился в путешествие, и здесь я делюсь своим опытом. Любой будущий проект, за который вы возьметесь, обязательно выиграет от этих советов!
Временные ряды: что делает их такими особенными?
Точки данных собираются с постоянными интервалами в TS, как следует из названия. Из этих данных..
Машинное обучение для прогнозирования: размер имеет значение
Сравнение классических методов прогнозирования с машинным обучением
Машинное обучение все чаще применяется для решения задач прогнозирования. Классические подходы к прогнозированию, такие как ARIMA или экспоненциальное сглаживание, заменяются алгоритмами регрессии машинного обучения, такими как XGBoost, процессы Гаусса или глубокое обучение. Однако, несмотря на повышенное внимание, все еще остаются сомнения в прогнозирующей эффективности методов машинного обучения.
Макридакис, одно..
Статистическое моделирование данных временных рядов. Часть 3: Прогнозирование стационарных временных рядов с использованием SARIMA.
Визуализация данных
Статистическое моделирование данных временных рядов. Часть 3: Прогнозирование стационарных временных рядов с использованием SARIMA.
В этой серии статей рыночный индекс S&P 500 анализируется с использованием популярной статистической модели: SARIMA (интегрированная сезонная авторегрессионная скользящая средняя) и GARCH (обобщенная авторегрессионная условная гетероскедастичность).
В первой части серия была удалена из yfinance API на python. Он был очищен и..
Изучение и анализ временного ряда
Наблюдения, которые были записаны упорядоченным образом и коррелированы во времени, составляют временной ряд. Очень общее приложение временных рядов использует его для прогнозирования того, что произойдет в будущем. Например, Прогнозирование продаж, анализ фондового рынка, прогнозирование запасов и т. д.
Другой интересующей областью, в которой используются временные ряды, отличные от прогнозирования, является обнаружение выбросов. Обнаружение выбросов — это целенаправленные..
Кубические сплайны: идеальная модель регрессии
Почему кубические сплайны — лучшая модель регрессии.
Введение
В этой статье я рассмотрю кубические сплайны и покажу, насколько они более надежны, чем модели линейной регрессии высокой степени. Сначала я расскажу о математике кубических сплайнов, затем покажу модель на Python и, наконец, объясню феномен Рунге.
Библиотека Python, используемая в этой статье, называется Regressio . Это библиотека Python с открытым исходным кодом, созданная автором для одномерной регрессии,..
Руководство по интерактивным выводам с помощью модели прогнозирования
Помимо автономного обучения и тестирования прогнозов
Существует множество онлайн-ресурсов об использовании машинного обучения для прогнозирования. Тем не менее, они сосредоточены на обучении в автономном режиме и тестировании прогнозов.
Здесь вы узнаете, как создать модель и использовать ее для прогнозирования фактических будущих наблюдений.
Введение
Ресурсы по прогнозированию часто упускают из виду применение моделей для оперативных прогнозов.
Существует много информации о..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..