ترجمه تخصصی ارزان مقاله استخراج سری ویژگی زمانی براساس آزمون‌های فرضیه مقیاس‌پذیر (tsfresh-A Python package)(الزویر 2018)

ارسال توسط وب‌رویا در 2018, الزویر Elsevier, پژوهشی, ترجمه آماده, داده کاوی, علوم کامپیوتر, فناوری اطلاعات و کامپیوتر, مهندسی نرم‌افزار, هوش مصنوعی

ترجمه تخصصی ارزان مقاله استخراج سری ویژگی زمانی براساس آزمون‌های فرضیه مقیاس‌پذیر (tsfresh-A Python package)(الزویر 2018)

ترجمه فارسی چکیده مقاله:

مهندسی ویژگی‌های سری‌های زمانی یک فرایند زمان‌بر است زیرا دانشمندان و مهندسان مجبورند الگوریتم‌های مختلف پردازش سیگنال و تجزیه و تحلیل سری‌های زمانی را برای شناسایی و استخراج ویژگی‌های معنی‌دار از سری‌های زمانی در نظر بگیرند. بسته Python tsfresh (استخراج ویژگی‌های سری زمانی براساس آزمون‌های فرضیه مقیاس‌پذیر) با ترکیب 63 روش توصیف سری زمانی، که به‌طور پیش‌فرض در مجموع 794 ویژگی سری زمانی را محاسبه می‌کنند، با انتخاب ویژگی براساس آزمون‌های فرضیه پیکربندی شده، این روند را تسریع می‌کند. با شناسایی خصوصیات سری زمانی از نظر آماری قابل توجه در مرحله اولیه فرایند علم داده، tsfresh حلقه‌های بازخورد را با متخصصان دامنه بسته و توسعه ویژگی‌های خاص دامنه را در همان اوایل پرورش می‌دهد. این بسته API استاندارد کتابخانه‌های سری زمانی و یادگیری ماشین (به‌عنوان مثال pandas و scikit-learn) را پیاده‌سازی می‌کند و برای تجزیه و تحلیل اکتشافی و همچنین ادغام ساده در برنامه‌های علمی کاربردی داده طراحی شده است.

کلمات کلیدی: مهندسی ویژگی، سری زمانی، استخراج ویژگی، انتخاب ویژگی، یادگیری ماشین

 

عنوان مقاله انگلیسی:

Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh –A Python package)

چکیده مقاله انگلیسی:

Time series feature engineering is a time-consuming process because scientists and engineers have to consider the multifarious algorithms of signal processing and time series analysis for identifying and extracting meaningful features from time series. The Python package tsfresh (Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests) accelerates this process by combining 63 time series characterization methods, which by default compute a total of 794 time series features, with feature selection on basis automatically configured hypothesis tests. By identifying statistically significant time series characteristics in an early stage of the data science process, tsfresh closes feedback loops with domain experts and fosters the development of domain specific features early on. The package imple- ments standard APIs of time series and machine learning libraries (e.g. pandas and scikit-learn ) and is designed for both exploratory analyses as well as straightforward integration into operational data science applications.

Keywords: Feature engineering Time series Feature extraction Feature selection Machine learning

 

مشخصات فایل مقاله انگلیسی (اصلی)

تعداد صفحات مقاله: 6

تاریخ انتشار مقاله: 2018

نشریه: الزویر Elsevier/ ساینس دایرکت ScienceDirect

Neurocomputing

فرمت فایل: pdf

حجم فایل: 984KB

لینک دانلود رایگان مقاله انگلیسی:

مقاله انگلیسی استخراج ویژگی سری زمان براساس آزمونهای فرضیه مقیاس پذیر

 

مشخصات فایل‌های ترجمه تخصصی ارزان مقاله (فارسی)

تعداد صفحات فایل pdf ترجمه: 10

تعداد صفحات فایل word ترجمه: 10

حجم فایل pdf ترجمه: 439KB

حجم فایل word ترجمه: 665KB

حجم فایل فشرده ترجمه (فایل زیپ): 706KB

زبان ترجمه: فارسی

ترجمه تصاویر: ندارد

ترجمه زیرنویس تصاویر: دارد

فونت فارسی ترجمه: BTitr و BNazanin

فایل‌های قابل دانلود پس از پرداخت: فایل فشرده شامل فایل word و فایل pdf ترجمه

 

12000 تومان – خرید ترجمه

 

تصاویر بخشی از ترجمه فارسی مقاله:

ترجمه تخصصی ارزان وب رویا ترجمه خیلی ارزان ترجمه ارزان وب رویا

 

جهت بهبود خدمات ترجمه، ما را از نظرات ارزشمند خود درباره این ترجمه آگاه سازید

ارسال دیدگاه