[Aprenda Time Series] - Onde podemos usar time series?

Neste tutorial para iniciantes, discutimos a análise de série temporal, o que nos deu a compreensão de que os modelos de série temporal primeiro reconhecem a tendência e a sazonalidade das observações existentes e, em seguida, prevêem um valor com base nessa tendência e sazonalidade. 

Essa análise é útil em vários campos, como:

• Análise Financeira - Inclui previsão de vendas, análise de estoque, análise de mercado de ações, estimativa de preços.
• Análise do tempo - Inclui estimativa de temperatura, mudança climática, reconhecimento de mudanças sazonais, previsão do tempo.
• Análise de dados de rede - Inclui previsão do uso da rede, detecção de anomalias ou intrusão e manutenção preditiva.
• Análise de saúde - inclui previsão de censo, previsão de benefícios de seguro, monitoramento de paciente.

Considerações finais

O aprendizado de máquina lida com vários tipos de problemas. Na verdade, quase todos os campos têm um escopo a ser automatizado ou aprimorado com a ajuda do aprendizado de máquina. Alguns desses problemas, nos quais muito trabalho está sendo feito, são apresentados a seguir.

Dados de série temporal

Esses são os dados que mudam de acordo com o tempo e, portanto, o tempo desempenha um papel crucial nisso, o que discutimos amplamente neste tutorial.

Dados não temporais

São os dados independentes do tempo, e uma grande porcentagem dos problemas de ML são em dados de séries não temporais. Para simplificar, vamos categorizá-lo ainda como:

• Dados numéricos - computadores, ao contrário de humanos, só entendem números, então todos os tipos de dados são convertidos em dados numéricos para aprendizado de máquina, por exemplo, dados de imagem são convertidos em valores (r, b, g), caracteres são convertidos em códigos ASCII ou as palavras são indexadas em números, os dados de fala são convertidos em arquivos mfcc contendo dados numéricos.
• Dados de imagem - A visão computacional revolucionou o mundo dos computadores, tem várias aplicações no campo da medicina, imagens de satélite etc.
• Dados de texto - Processamento de linguagem natural (NLP) são usados ​​para classificação de texto, detecção de paráfrase e resumo de linguagem. Isso é o que torna o Google e o Facebook inteligentes.
• Dados de fala - o processamento de fala envolve reconhecimento de fala e compreensão de sentimento. Ele desempenha um papel crucial em transmitir aos computadores as qualidades humanas.

Este tutorial não tem a pretensão de ensinar tudo sobre python e time series, mas sim, mostrar o que podemos fazer e dar uma introdução ao tema.