Hands-On Time Series Analysis with Python: De la noțiuni de bază la tehnici de ultimă oră

Recenzii ale cititorilor

Cartea oferă o experiență mixtă pentru cititori, unii apreciind acoperirea conceptelor seriilor de timp, în timp ce alții critică lipsa de explicații și prezența erorilor în cod. Există probleme semnificative cu contextul și controlul calității, ceea ce o face mai puțin potrivită pentru o învățare serioasă.

Acoperă tehnici importante de serii temporale precum ARMA, ARIMA, SARIMA, CNN, RNN și LSTM într-un limbaj simplu. Oferă material original și exemple lucide care sunt benefice pentru începătorii nefamiliarizați cu aceste concepte.

Mulți cititori au considerat explicațiile insuficiente, cu blocuri mari de cod furnizate fără context sau clarificare. Există numeroase erori în cod, inclusiv greșeli de scriere și căi incorecte. Explicațiile teoretice sunt considerate prea elementare, lipsite de profunzime și nereușind să conecteze conceptele în mod adecvat.

(pe baza a 5 recenzii ale cititorilor)

Titlul original:

Hands-On Time Series Analysis with Python: From Basics to Bleeding Edge Techniques

Conținutul cărții:

Învățați conceptele seriilor de timp de la tehnicile tradiționale la cele de ultimă oră. Această carte utilizează exemple cuprinzătoare pentru a ilustra în mod clar abordările și metodele statistice de analiză a datelor seriilor de timp și utilizarea acestora în lumea reală. Tot codul este disponibil în notebook-uri Jupyter.

Veți începe prin a trece în revistă fundamentele seriilor de timp, structura datelor seriilor de timp, preprocesarea și modul de elaborare a caracteristicilor prin prelucrarea datelor. În continuare, veți analiza tehnicile tradiționale de serii de timp, cum ar fi ARMA, SARIMAX, VAR și VARMA, utilizând un cadru de tendințe precum StatsModels și pmdarima.

Cartea explică, de asemenea, construirea de modele de clasificare utilizând sktime și acoperă tehnici avansate bazate pe învățarea profundă, cum ar fi ANN, CNN, RNN, LSTM, GRU și Autoencoder pentru a rezolva problema seriilor de timp utilizând Tensorflow. Acesta se încheie prin explicarea cadrului popular fbprophet pentru modelarea analizei seriilor de timp. După ce citiți Hands -On Time Series Analysis with Python, veți putea aplica aceste noi tehnici în industrii, cum ar fi petrol și gaze, robotică, producție, guvern, bănci, comerț cu amănuntul, asistență medicală și multe altele.

Ce veți învăța:

- Explică conceptele de bază până la cele avansate ale seriilor de timp.

- Cum să concepeți, să dezvoltați, să instruiți și să validați metodologiile seriilor cronologice.

- Ce sunt tehnicile de netezire, ARMA, ARIMA, SARIMA, SRIMAX, VAR, VARMA în seriile cronologice și cum să reglați în mod optim parametrii pentru a obține cele mai bune rezultate.

- Aflați cum să valorificați tehnici de ultimă generație, cum ar fi ANN, CNN, RNN, LSTM, GRU, Autoencoder pentru a rezolva probleme univariate și multivariate utilizând două tipuri de metode de pregătire a datelor pentru seriile cronologice.

- Rezolvarea problemelor univariate și multivariate utilizând fbprophet.

Pentru cine este această carte

Oameni de știință de date, analiști de date, analiști financiari și cercetători ai pieței bursiere.