Chapter 17에서는 * residual forecast error와 forecast bias를 포함한 forecast performace의 기본 측정 * MAE(mean absolute error)와 같은 방법을 통한 forecast error calculations * MAE 및 RMSE와 같은 널리 사용되는 오차 계산 방법 Forecast Error (or Residual Forecast Error) * forecast error = expected value − predicted value * 0인 값은 error가 없는 것이다. * 따라서, 0에서 멀어지는 값일 수록 좋지 않은 값이다. # calculate forecast error expected = [0.0, 0.5, 0.0, 0.5, ..

Chapter 16에서는 * machine learning model을 평가하는 방법의 한계와 sample data에서 model을 평가해야하는 이유 * model 평가를 위해 time series data의 train-test split 및 multiple train-test split을 만드는 방법 * walk-forward 유효성 검사가 time series에 대한 machine learning model의 평가를 제공하는 방법에 대해 배운다. Model Evaluation * time series forecasting을 위해 model을 평가할 때, model training을 하는 데 사용하지 않은 data에 대한 model 성능에 관심이 있다. * 이것을 sample data라고 부른다. * ..

Chapter 15에서는 * line-plot을 사용하여 stationary 및 non-stationary time series를 식별하는 방법 * 시간에 따른 변화에 대한 평균 및 분산과 같은 요약 통계를 확인하는 방법 * time series가 stationary한 지 확인하기 위해 통계적으로 유의한 테스트를 사용하는 방법에 대해 배운다. Stationary Time Series * stationary하다는 말은 time series가 시간에 의존하지 않는다는 말이다. * time series가 trend, seasonal effect가 없는 경우 stationary하다. * 아래의 예제는 일별 여성 출생수에 대한 dataset이다. # load time series data from pandas i..

Chapter 14에서는 * Time Series의 seasonality 정의 및 machine learning method을 통한 예측에 제공되는 방법 * difference method를 사용하여 season별로 조정된 일일 온도 데이터의 time series 만드는 방법 * seasonal component를 직접 modeling하고 관측치에서 빼는 방법 Seasonality in Time Series * Time Series에는 seasonal variation이 포함될 수 있다. * seasonal variation or seasonality는 시간이 지남에 따라 반복되는 주기이다. Benefits to Machine Learning * Time Series의 seasonal component를..

Chapter 13에서는 * Time Series에 존재할 수 있는 trend의 중요성과 유형 및 식별 방법 * simple differencing method를 사용하여 trend를 제거하는 방법 * 선형 trend를 modeling하고 판매 Time Series dataset에서 제거하는 방법 Trends in Time Series * trend는 일반적으로 주기적이지 않은 시계열의 체계적인 변화를 말한다. * trend를 파악하고 이해하면 모델 성능 향상에 도움이 된다. * 1. Faster Modeling : 모델 선택 및 평가를 보다 효율적으로 만들 수 있다. * 2. Simpler Problem : 모델링을 단순화하고 모델 성능을 향상시키기 위해 trend를 수정하거나 제거할 수 있다. * 3..

Chapter 12에서는 * Time Series decomposition method of analysis(시계열 분해 분석 방법) 및 forecasting에 도움이 될만한 방법 * Python에서 Time Series data를 자동으로 decompose(분해)하는 방법 * addtive and multiplicative time series problem을 decompose하고 결과를 plotting하는 방법에 대해 배운다. Time Series Components * forecasting method를 선택하는 데 Time Series가 Systematic(체계적), Non-Systematic(비체계적)인 구성 요소로 나누는 것은 유용하다. * Systematic : 일관성 또는 반복이 있고 설명..

우선, BLE란, Bluetooth low energy의 줄임말이다.앞서, iot 선풍기 제어를 만들 때, 최종 목표는 bluetooth로 스마트폰에서 on,off 제어를 하는 것이었다.기본적인 작동방식은 bluetooth module(가장 왼쪽)과 arduino가 tx rx를 통해 신호를 주고 받을 것이다.스마트폰과 bluetooth module이 bluetooth로 통신을 하고, 스마트폰에서 on or off의 command를 주면,bluetooth module에서 command에 따른 신호를 arduino로 tx,arduino에서 신호를 rx해서, relay module이 control해주는 구성이 된다. bluetooth module과 arduino는 serial로 통신하고,bluetooth mo..

* Chapter 11에서는 * Random Walk가 무엇이며 Python에서 만드는 방법 * Random Walk의 속성을 분석하고 time series가 random walk인지 아닌 지 아는 방법 * Random Walk를 예측하는 방법 Random Series * python에서 기본적으로 randrange()함수를 제공한다. * randrange(n) 함수는 기본적으로 0에서 n사이의 임의의 정수를 생성하는 함수이다. * plot을 통해 보면 이는 time series와 거리가 멀게 느껴지며 random walk는 아니고 단순한 난수들이다. # create and plot a random series from random import seed from random import randrange..