Time Series Analysis and Forecasting

EN

Examples of Time Series Analysis and Forecasting

This repository contains a collection of notebooks presenting different approaches to sequential data analysis, feature extraction, and the development of predictive and classification models. These materials can be used as examples for lectures, exercises, or self-study. Repository is available online: https://github.com/mzarnecki/time-series-analysis

1. time_series_analyze_with_pandas.ipynb

An introductory notebook on time series analysis using the pandas library. It demonstrates working with time indexes, data filtering, resampling, aggregation, and basic techniques for time-based data exploration and visualization.

2. time_series_arima_transformer.ipynb

This notebook compares classical and modern approaches to time series forecasting. It includes statistical models such as ARIMA as well as methods based on the Transformer architecture, making it possible to contrast traditional techniques with deep learning solutions.

3. prognose_google_stock_price.ipynb

An example of forecasting Google stock prices based on a historical time series. The notebook presents a typical financial data analysis pipeline: data preparation, trend visualization, train-test splitting, and building a model to predict future values.

4. siren_sound_analyse_and_classify.ipynb

This notebook presents the analysis of a siren audio signal and its classification. It includes elements of signal processing, feature extraction from audio data, and the use of machine learning models to recognize classes based on a time-dependent signal.

5. parkinson_fog_prediction.ipynb

This notebook shows an example of predicting Freezing of Gait (FoG) episodes in people with Parkinson’s disease based on time series data. It illustrates sequential data preparation, signal analysis, and the development of a model supporting a classification task in a medical data context.

---

PL

Przykłady analizy szeregów czasowych i prognozowania

Repozytorium zawiera zestaw notebooków prezentujących różne podejścia do analizy danych sekwencyjnych, ekstrakcji cech oraz budowy modeli predykcyjnych i klasyfikacyjnych. Materiały mogą służyć jako przykłady do zajęć, ćwiczeń lub samodzielnej nauki. Repozytorium jest dostępne pod adresem URL: https://github.com/mzarnecki/time-series-analysis

1. time_series_analyze_with_pandas.ipynb

Materiał wprowadzający do analizy szeregów czasowych z użyciem biblioteki pandas. Pokazuje pracę z indeksami czasowymi, filtrowanie danych, resampling, agregację oraz podstawowe techniki eksploracji i wizualizacji danych w czasie.

2. time_series_arima_transformer.ipynb

Notebook porównuje klasyczne i nowoczesne podejścia do prognozowania szeregów czasowych. Obejmuje modele statystyczne, takie jak ARIMA, oraz podejścia oparte na architekturze Transformer, dzięki czemu pozwala zestawić tradycyjne metody z rozwiązaniami opartymi na głębokim uczeniu.

3. prognose_google_stock_price.ipynb

Przykład prognozowania cen akcji Google na podstawie historycznego szeregu czasowego. Notebook prezentuje typowy pipeline analizy danych finansowych: przygotowanie danych, wizualizację trendów, podział na zbiory oraz budowę modelu do przewidywania przyszłych wartości.

4. siren_sound_analyse_and_classify.ipynb

Notebook przedstawia analizę sygnału audio syreny oraz jego klasyfikację. Zawiera elementy przetwarzania sygnałów, ekstrakcji cech z danych dźwiękowych i wykorzystania modeli uczenia maszynowego do rozpoznawania klas na podstawie sygnału czasowego.

5. parkinson_fog_prediction.ipynb

Notebook pokazuje przykład predykcji epizodów Freezing of Gait (FoG) u osób z chorobą Parkinsona na podstawie danych czasowych. Materiał ilustruje przygotowanie danych sekwencyjnych, analizę sygnałów oraz budowę modelu wspierającego zadanie klasyfikacyjne w kontekście danych medycznych.