DOPMC
DOPMC copied to clipboard
datawhalechina
dynamic-time-series
你是否已经阅读并同意《Datawhale开源项目行为准则》？
- [X] 我已阅读并同意《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
- 想要零基础入门时序分析的同学
- 想要学习使用机器学习处理时序数据的同学
- 希望将时序分析方法应用到对应领域的非计算机专业的同学
- 其他对时间序列分析感兴趣的同学
项目亮点
- 针对零基础学习者系统性介绍时序分析
- 理论与实战代码相结合，通俗易懂
- 加入机器学习、深度学习在时序分析的应用
- 与Datawhale的其他数据分析、机器学习课程联系紧密，互相补充
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
- 1-7章 Xiaoyu Chu
- 其他人员计划招募中
3. 各章节预估完成日期
| 章节内容 | 计划完成时间 |
|---|---|
| 第1-3章 | 2022-10-31 |
| 第4-5章 | 2022-11-30 |
| 第6-7章 | 2022-12-31 |
4. 可预见的困难
- 人员与工作分配
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~
- [x] 我已知悉上述备注
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
