-
Notifications
You must be signed in to change notification settings - Fork 20
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
dynamic-time-series #84
Comments
参考资料[1] Datawhale时间序列分析 https://github.com/datawhalechina/team-learning-data-mining/tree/master/TimeSeries [2] Datawhale天池”AI Earth“气象海洋预测 https://github.com/datawhalechina/time-series-learning [3] 南京大学Lambda-时间序列分析 https://www.lamda.nju.edu.cn/yehj/timeseries2021/?AspxAutoDetectCookieSupport=1 [4] Practical Time Series Analysis Prediction with Statistics & Machine Learning https://b-ok.cc/book/5336102/85751e [5] Time-series forecasting with deep learning: a survey https://royalsocietypublishing.org/doi/full/10.1098/rsta.2020.0209 [6] Transformers in Time Series: A Survey https://arxiv.org/abs/2202.07125 |
有无样章? |
还没 |
同意 |
1 similar comment
同意 |
同意 |
待2022-10-31前三章样章完成发布后再决定 |
同意 |
待出前三章样章后继续 |
你是否已经阅读并同意《Datawhale开源项目行为准则》?
项目简介
零基础入门时间序列分析教程,含理论与代码,包括统计分析方法和机器学习方法。
立项理由
该课程旨在完善Datawhale数据分析与挖掘方向的课程体系。
目前,Datawhale有两门关于时间序列分析的教程:[1] Datawhale时间序列分析 https://github.com/datawhalechina/team-learning-data-mining/tree/master/TimeSeries [2] Datawhale天池”AI Earth“气象海洋预测 https://github.com/datawhalechina/time-series-learning 。[1]教程关于统计理论基础的内容非常好,但缺乏实践部分,且没有介绍机器学习方法在时间序列中的理论及应用; [2]教程基于天池”AI Earth“气象海洋预测竞赛,非常具有实践价值,但使用的数据集和方法不具有普适性,而且对于新手来说比较难理解。
时间序列是一组按照时间顺序排列的离散序列,是日常生活中最常见的数据形式之一。时间序列分析与预测也是机器学习、数据挖掘的一个重要应用方向。本教程希望能够帮助学习者系统了解时序分析的基础知识,学会使用不同统计与机器学习方法进行时间序列的建模与应用。
项目受众
项目亮点
项目规划
1. 目录
时序分析导论
1.1 时间系列的基本定义
1.2 时间序列分析发展简史
1.3 时间序列在不同领域中的应用
概率论与统计基础
2.1 基本概念
2.2 概率分布
2.3 参数估计
2.4 假设检验
时序数据处理与分析
3.1 时间戳问题处理
3.2 时间序列的季节性
3.3 时间序列的平稳性
3.4 时间序列的主要分析思路
经典统计时序分析与预测
4.1 自回归模型(AR)
4.2 移动平均模型(MA)
4.3 自回归移动平均模型 (ARMA)
状态空间模型时序分析与预测
5.1 卡尔曼滤波
5.2 隐马尔可夫模型
5.3 贝叶斯结构时间序列
基于机器学习的时序分析与预测
6.1 Decision Tree
6.2 CNN
6.3 RNN
6.4 LSTM
6.5 Transformers
6.5.1 时序数据的位置编码
6.5.2 基于注意力机制的时序建模
时间序列分析案例应用
7.1 金融领域
7.2 医疗领域
7.3 其他
2. 各章节负责人
3. 各章节预估完成日期
4. 可预见的困难
项目负责人
Xiaoyu Chu
GitHub: https://github.com/chuxiaoyu
Weixin: cccxxxxyy
备注:发起立项申请后DOPMC将会在 72h 之内给出答复,如超时未答复请添加DOPMC负责人微信(微信号:at-Sm1les)问询~
The text was updated successfully, but these errors were encountered: