PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.11746v1astro-ph.IM

머신러닝에서의 시계열 분석

Time Series Analysis in Machine Learning

시계열 분석은 머신러닝의 핵심 구성 요소로, 특히 시간적 데이터가 풍부한 천체물리학과 우주론 분야에서 중요하다. 이 장은 머신러닝 관점에서 시계열 분석 기법을 교육적으로 개괄한다. 시계열의 기본 개념(정상성, 자기상관, 계절성), 고전적 통계 모델(자기회귀, 이동 평균, ARIMA, 지수 평활, 상태공간 모델), 그리고 현대적 머신러닝 접근법을 다룬다. 특히 전통적 통계 방법이 어떻게 기반을 마련하는지 논의하고, 시계열을 위한 머신러닝 방법—특징(feature) 기반 회귀, 트리 기반 앙상블(ensemble) 방법, 은닉 마르코프 모델, 가우시안 프로세스, 심층 학습(deep learning) 모델(순환 신경망, 합성곱 네트워크, 트랜스포머)—을 탐구한다. 전반에 걸쳐 공통 원리를 강조하기 위해 다양한 도메인(천문학, 기상 예측, 금융 등)에서 가져온 예시를 활용한다. 이 장의 목표는 독자들이 자신의 연구에서 시계열 분석에 머신러닝 기법을 적용할 수 있도록 이론적 이해와 실용적 맥락을 모두 갖추도록 하는 것이다.