Wstęp 9

1. Koncepcja szeregów czasowych 15

• Szeregi czasowe w różnych dziedzinach - krótka historia 15
  
  • Szeregi czasowe w medycynie 16
  • Przewidywanie pogody 20
  • Prognozy rozwoju gospodarczego 21
  • Astronomia 23
• Początki analizy szeregów czasowych 24
• Metody statystyczne w analizie szeregów czasowych 25
• Uczenie maszynowe w analizie szeregów czasowych 26
• Zobacz też 27

2. Pozyskiwanie i przetwarzanie szeregów czasowych 29

• Gdzie można znaleźć szeregi czasowe? 30
  
  • Gotowe zestawy danych 30
  • Odnajdywanie szeregów czasowych 36
• Konstruowanie szeregu czasowego na podstawie danych tabelarycznych 37
  
  • Przygotowanie danych - instrukcja krok po kroku 38
  • Konstruowanie szeregu czasowego na podstawie zebranych danych 44
• Problemy związane ze znacznikami czasu 46
  
  • Czego dotyczy dany znacznik? 46
  • Praca z danymi pozbawionymi dokumentacji 48
  • Co to jest znacząca skala czasu? 50
• Oczyszczanie danych 50
  
  • Brakujące dane 51
  • Zmiana częstotliwości próbkowania 60
  • Wygładzanie danych 63
• Wahania sezonowe 68
• Strefy czasowe 71
• Zapobieganie zjawisku lookahead 74
• Zobacz też 76

3. Metody eksplorowania danych czasowych 79

• Metody ogólnego przeznaczenia 79
  
  • Wykresy liniowe 80
  • Histogramy 82
  • Wykresy punktowe 84
• Metody przeznaczone do eksploracji szeregów czasowych 86
  
  • O stacjonarności słów kilka 86
  • Stosowanie okien czasowych 90
  • Związki pomiędzy wartościami w szeregu 95
  • Korelacje pozorne 105
• Przegląd użytecznych metod wizualizacji 107
  
  • Wizualizacje w jednym wymiarze 107
  • Wizualizacje w dwóch wymiarach 108
  • Wizualizacje w trzech wymiarach 114
• Zobacz też 117

4. Symulacje szeregów czasowych 119

• Czym wyróżniają się symulacje szeregów czasowych? 120
  
  • Symulacje kontra prognozy 120
• Symulacje w implementacjach 121
  
  • Przykład 1. - zrób to sam 121
  • Przykład 2. - tworzenie świata symulacji, który sam sobą steruje 126
  • Przykład 3. - symulacja zjawiska fizycznego 132
• Uwagi końcowe 137
  
  • Symulacje z wykorzystaniem metod statystycznych 138
  • Symulacje z wykorzystaniem uczenia głębokiego 138
• Zobacz też 138

5. Przechowywanie danych czasowych 141

• Definiowanie wymagań 143
  
  • Dane rzeczywiste a dane przechowywane 144
• Bazy danych 146
  
  • SQL kontra NoSQL 147
  • Przegląd popularnych rozwiązań bazodanowych dla szeregów czasowych 149
• Przechowywanie danych w plikach 153
  
  • NumPy 154
  • Pandas 155
  • Odpowiedniki w środowisku R 155
  • Xarray 156
• Zobacz też 157

6. Modele statystyczne 159

• Dlaczego nie należy korzystać z regresji liniowej? 159
• Metody statystyczne dla szeregów czasowych 161
  
  • Modele autoregresyjne 161
  • Modele ze średnią ruchomą 174
  • Zintegrowane modele autoregresyjne średniej ruchomej 178
  • Model wektorowej autoregresji 187
  • Inne modele 191
• Zalety i wady modeli statystycznych 192
• Zobacz też 193

7. Modele zmiennych stanu 195

• Wady i zalety modeli zmiennych stanu 196
• Filtr Kalmana 197
  
  • Model 197
  • Implementacja 199
• Ukryte modele Markowa 203
  
  • Sposób działania modelu 204
  • Dopasowywanie modelu 205
  • Implementacja dopasowania modelu 208
• Bayesowskie strukturalne szeregi czasowe (BSTS) 213
  
  • Implementacja 214
• Zobacz też 218

8. Generowanie i selekcja cech 221

• Przykład wprowadzający 222
• Ogólne uwagi dotyczące cech 223
  
  • Natura danego szeregu 223
  • Wiedza dziedzinowa 224
  • Parametry zewnętrzne 225
• Przegląd miejsc, w których można szukać inspiracji dotyczących wyboru cech 225
  
  • Biblioteki dostępne na licencji open source 226
  • Przykłady cech powiązanych z konkretnymi dziedzinami 230
• Jak dokonać selekcji cech po ich wygenerowaniu? 233
• Podsumowanie i wnioski 236
• Zobacz też 236

9. Uczenie maszynowe w analizie szeregów czasowych 239

• Klasyfikacja szeregów czasowych 240
  
  • Generowanie i selekcja cech 240
  • Drzewa decyzyjne 243
• Klasteryzacja 250
  
  • Generowanie cech 251
  • Metryki uwzględniające zmianę czasu 258
  • Klasteryzacja w kodzie 262
• Zobacz też 264

10. Uczenie głębokie 267

• Geneza uczenia głębokiego 269
• Implementacja sieci neuronowej 271
  
  • Dane, symbole, operacje, warstwy i grafy 272
• Budowa potoku uczenia 275
  
  • Spojrzenie na zestaw danych 275
  • Elementy potoku uczenia 278
• Jednokierunkowe sieci neuronowe 293
  
  • Prosty przykład 293
  • Wykorzystanie modelu atencji do uczynienia jednokierunkowych sieci bardziej świadomymi czasu 296
• Konwolucyjne sieci neuronowe 298
  
  • Prosty model sieci konwolucyjnej 300
  • Alternatywne modele konwolucyjne 302
• Rekurencyjne sieci neuronowe 304
  
  • Kontynuacja przykładu z zapotrzebowaniem na prąd 307
  • Autoenkoder 308
• Połączenie architektur 309
• Podsumowanie 313
• Zobacz też 314

11. Pomiary błędów 317

• Podstawy: jak przetestować prognozę? 318
  
  • Weryfikacja historyczna a kwestie związane z konkretnym modelem 320
• Kiedy prognoza jest wystarczająco dobra? 321
• Szacowanie niepewności modelu w oparciu o symulację 323
• Prognozowanie na wiele kroków naprzód 326
  
  • Bezpośrednie dopasowanie do danego horyzontu 326
  • Podejście rekurencyjne do odległych horyzontów czasowych 326
  • Uczenie wielozadaniowe w kontekście szeregów czasowych 327
• Pułapki walidacji 327
• Zobacz też 328

12. Kwestie wydajnościowe w dopasowywaniu i wdrażaniu modeli 331

• Praca z narzędziami przeznaczonymi do bardziej ogólnych przypadków użycia 332
  
  • Modele zbudowane z myślą o danych przekrojowych nie "współdzielą" danych pomiędzy próbkami 332
  • Modele, które nie wspierają wcześniejszego obliczania, tworzą niepotrzebne opóźnienia pomiędzy pomiarem a prognozowaniem 334
• Wady i zalety formatów zapisu danych 334
  
  • Przechowuj dane w formacie binarnym 335
  • Przetwarzaj dane w sposób umożliwiający "przesuwanie się" po nich 335
• Modyfikacje analizy dla zwiększenia jej wydajności 336
  
  • Wykorzystanie wszystkich danych to niekoniecznie najlepszy pomysł 336
  • Złożone modele nie zawsze sprawdzają się znacznie lepiej 337
  • Krótki przegląd innych wysokowydajnych narzędzi 338
• Zobacz też 338

13. Zastosowania w obszarze opieki zdrowotnej 341

• Przewidywanie grypy 341
  
  • Studium przypadku grypy w jednym obszarze metropolitalnym 341
  • Jak obecnie wygląda prognozowanie grypy? 354
• Przewidywanie stężenia cukru we krwi 356
  
  • Eksploracja danych i ich oczyszczanie 357
  • Generowanie cech 361
  • Dopasowanie modelu 366
• Zobacz też 371

14. Zastosowania w obszarze finansów 373

• Pozyskiwanie i eksploracja danych finansowych 374
• Wstępne przetwarzanie danych do uczenia głębokiego 380
  
  • Dodawanie interesujących nas wielkości do surowych danych 380
  • Skalowanie interesujących nas wielkości bez wprowadzania zjawiska lookahead 381
  • Formatowanie danych do sieci neuronowej 383
• Budowanie i uczenie rekurencyjnej sieci neuronowej 386
• Zobacz też 392

15. Szeregi czasowe w danych rządowych 393

• Pozyskiwanie danych rządowych 394
• Eksploracja dużych zbiorów danych czasowych 395
  
  • Zwiększenie częstotliwości próbkowania i agregowanie danych podczas iteracji 399
  • Sortowanie danych 399
• Statystyczna analiza szeregów czasowych "w locie" 403
  
  • Pozostałe pytania 412
  • Dalsze możliwości poprawy 413
• Zobacz też 413

16. Pakiety przeznaczone do pracy z szeregami czasowymi 415

• Prognozowanie na dużą skalę 415
  
  • Wewnętrzne narzędzia Google'a do przemysłowego prognozowania 416
  • Otwartoźródłowy pakiet Prophet od Facebooka 418
• Wykrywanie anomalii 422
  
  • Otwartoźródłowy pakiet AnomalyDetection od Twittera 422
• Inne pakiety stworzone z myślą o szeregach czasowych 425
• Zobacz też 426

17. Prognozy o prognozowaniu 427

• Prognozowanie jako usługa 427
• Uczenie głębokie zwiększa możliwości probabilistyczne 428
• Wzrost znaczenia uczenia maszynowego kosztem statystyki 429
• Wzrost popularności metod łączących podejście statystyczne i uczenie maszynowe 429
• Więcej prognoz dotyczących życia codziennego 430

• Titel: Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego
• Autor: Aileen Nielsen
• Originaler Titel: Practical Time Series Analysis: Prediction with Statistics and Machine Learning
• Übersetzung: Filip Kamiński
• ISBN: 978-83-283-6722-7, 9788328367227
• Veröffentlichungsdatum: 2020-09-22
• Format: E-book
• Artikelkennung: szecza
• Verleger: Helion