Vad är skillnaden mellan maskininlärning och tidserieranalys?

Maskininlärning och tidserieanalys är två vanligt förekommande ord när det gäller att analysera data och göra prognoser inför framtiden. Men hur skiljer sig de två begreppen åt? 

Maskininlärning är ett samlingsnamn för algoritmer som har till uppgift att hitta samband och mönster i data. Det kan användas till taligenkänning, klassificering av bilder, rekommendera filmer och musik och mycket annat. Det finns en rad metoder så som neurala nätverk, densitetsbaserad klustring, regressionsanalys med mera. 

Tidserieranalys syftar ofta till att prognostisera framtida utfall. Det kan till exempel vara ett företags intäkter den kommande månaden eller försäljningen av bröd nästa vecka. En mycket vanlig metodik är att använda en autoregressiv linjär modell. Modellen beskriver hur värden i en tidserie är relaterade till varandra och

modellerna finns i en rad utförande med varierande komplexitet. Men det går också att göra prognoser med maskininlärningsalgoritmer, en vanligt förkommande är long short-term memory (LSTM) där ett neuralt nätverk appliceras på tidseriedata.

Grundförutsättningen för att göra en prognos är att det finns någon form av tröghet eller mönster i tidserien. Detta är inte alltid fallet då vissa tidserier till stor del beror av slumpmässiga processer. När det kommer till att välja modell så är det bra att testa sig fram. Dock har många Data Scientists visat att de enklare linjära modellerna ofta räcker långt.