【「时间序列与机器学习」阅读体验】时间序列的信息提取

本章主讲时间序列的信息提取，章节中有许多概念定义和数学公式，并配有Python代码演示，细细品读与理解动手演练，还是很开拓思维视野的。下面以笔记形式进行展开。

时间序列的信息提取是时间序列分析的一个重要环节，目标是从给定的时间序列数据中提取出有用的信息和特征，以支持后续的分析和预测任务。
特征工程(Feature Engineering)是将数据转换为更好地表示潜在问题的特征，从而提高机器学习模型效果与性能的过程。

时间序列的缺失值填充方法有：插值法；回归填充；均值/中位数/众数填充；可以借助 Python 的 Pandas库，通过前向填充、后向填充、线性插值、均值/中位数/众数填充等方法为该时间序列填充缺失值。

时间序列的缩放是指对原有的时间序列数据进行数据范围的调整，以便更好地完成后续的数据分析或机器学习任务。该节有讲到时间序列的最小最大缩放、时间序列的最大绝对值缩放、时间序列的稳健缩放、时间序列的标准化。
时间序列的特征工程、时间序列的统计特征、时间序列的熵特征、时间序列的降维特征这些小节，涉及到比较多的数学公式，包含有概率论与树林里统计、高等数学等方面的知识，可以做些了解。
时间序列的单调性理论是数学求导。下面是使用EWMA分析股票价格变动，以决定买入还是卖出。通过仿真数据，这种指数移动平均的技术剔除了短期波动，有助看清股票整体趋势。

通过对本章学习，对时间序列的研究目的、方法与特征有了较全面梳理了解。其中代码仿真更可以辅助我们更好掌握知识要点。