每个数据科学家都知道这一点：解决机器学习问题的第一步是探索数据。
这不仅仅是了解哪些功能可以帮助您解决问题。这实际上需要领域知识、大量努力、大量询问并试图找出答案。这是必要的一步，但在我看来，这是第二步。
第一步是以某种方式、形状或形式，基于对数据复杂程度的分析。他们是否要求您在始终相同的事物中找到精细的细节和模式，或者输出彼此完全不同？他们希望您找到 0.0001 和 0.0002 之间的距离，还是希望您找到 0 和 10 之间的距离？
让我更好地解释一下自己。
例如，我是一名信号处理人员。我研究了傅里叶变换、Chirplet 变换、小波变换、希尔伯特变换、时间序列预测、时间序列聚类、一维 CNN、RNN 和许多其他可怕的名字。
时间序列域中一个非常常见的问题是从输入（实际上可能是另一个时间序列）到时间序列输出。例如：
您拥有实验设置的属性，并且想要使用机器学习来模拟您的实验：这实际上是我的博士论文，称为代理建模
您拥有截至第 300 天的股票市场价值，并且想要预测第 301 天：这是众所周知的，称为时间序列预测
你有一个非常脏或嘈杂的信号，你想清除它：这称为编码器-解码器信号去噪，它也是众所周知的。
令人惊讶的是，在这些问题中，我首先看到的是输出（而不是输入）时间序列。
假设我在数据集中采用了随机时间序列。时间序列是正弦和余弦的温和且平滑的组合吗？它是多项式函数吗？是对数函数吗？这是一个我连名字都无法命名的函数吗？
如果我采用另一个随机时间序列，它会如何变化？该任务是基于查看明显基线的微小变化，还是识别整个数据集中完全不同的行为？