跳到主要內容區

數據處理與資料分析-時間序列分析 - 吳岱桀

banner

無論是工學院、電資學院、理學院或是其他需要對各種資料進行分析的領域,資料處理的專業能力絕對是重要的。近幾年隨著硬體越來越成熟,電腦無論是在CPU或GPU計算能力上均有顯著的提升,加上各式各樣的演算方法如類神經網路的相關研究有大幅進展,而使人工智慧背後的根基「資料科學」逐漸成為各行各業搶先發展的熱門趨勢。我會選擇這堂模組化課程「數據處理與資料分析-時間序列分析」,則是因為先前的修課經驗,如在統計系的「資料科學導論」、機械系必修「自動控制」與選修「系統動態分析與模擬」以及機械所的「數位控制」,這些課程不僅需要傳統控制工程的知識,也需要大量的資料處理。而自己身處機械系,我深刻了解到在智慧製造、工業4.0的應用中,若能具備資料科學的知識及獨立分析資料與建立模型的能力,我在就業的發展上會有更寬廣的選擇。這是促使我不斷吸取相關知識與經驗的動機,也因此我選擇了這堂模組化課程。

其實早在一年多前我就偶然在模組化課程的公告清單上看到了這堂課。但當時我對於所謂的「時間序列分析」並不理解,因此也就沒選這堂課了。直到我在大三時因為必修課「自動控制」,才慢慢了解到所謂的「時間序列」可以理解成X軸為時間、Y軸為反應結果,也就是一組會隨著時間變動的資料型態。舉凡股價與期貨指數的變動,又或是工廠反應爐溫度隨著時間做的改變,都是時間序列分析的例子。

然而在許多情況下,只單看時間域反應結果之動態改變,並無法讓人觀察出有用的特徵來進行分析,因此這堂課就引入「傅立葉轉換」、「Hilbert-Huang Transform」等方式將資料從時間域轉換到頻率域進行分析。例如聲音訊號資料在進行轉換成頻率域後其特徵會一覽無遺地呈現出來。但除了理工背景的學生曾在工程數學或是相關課程中學習過傅立葉序列與轉換,其他來修課的同學對於傅立葉轉換並不熟悉,因此陳炳志老師前兩天會花不少時間介紹傅立葉函數詳細的數學推導跟物理意義。而已經學過傅立葉的同學也可以利用這個機會重新複習,進一步理解傅立葉的內涵與其廣泛的應用。課程中,陳老師除了以深入淺出的方法介紹各式轉換的技術,也會探討其他的進階概念,例如如何分析兩個時間序列資料彼此是否會有相關性等等。

在評分方式上,陳老師只對作業進行評分,並無任何額外的考試與小組報告。上課地點選在計算機與網路中心的電腦教室以利同學們配合課程使用電腦練習。上課前老師會將PPT以及所需範例程式碼上傳,而課程進度則完全參照上課簡報的內容。陳老師會視需要實地demo程式給大家看,從中解釋課堂中所提轉換與處理方式的意義以及運作後呈現的結果。至於作業的內容,主要是依照老師上課的範例程式碼,自己去做更動以完成老師指定的練習如基礎的轉換操作等,並要求連帶說明對於題目以及用程式跑出來的結果之見解。基本上若同學具備基礎程式能力,這堂課並不算非常難。值得一提的是,雖然這堂課核心是希望同學們使用程式輔助分析問題,但這堂課的重心卻不是程式的「教學」,所以無論是使用Matlab或是Python語言,老師都不會對程式的細節進行講解,因此同學們最好有先備的程式能力。當然如果沒有寫過程式的經驗,倒也可以趁這個機會學習,但相對地課堂上的Loading就會比較大。個人建議不喜歡寫程式或是在系上必修如計算機概論得到70分以下的同學不要來選修這堂模組化課程。

總結來說,這堂課讓我在短短一周內具備了對訊號與資料進行處理的能力,使我有辦法與先前修課獲得的知識例如控制工程與資料科學進行統整,然後應用在更廣泛的領域,也促使我想繼續選修如「訊號系統」的相關課程。我強力推薦這堂模組化課程給對於資料處理有高度需求的同學。

 

關鍵字 #傅立葉轉換的應用 #訊號處理必備 #頻域分析 #多領域應用

bottom

瀏覽數: