Previziuni avansate cu Python: Cu modele de ultimă oră, inclusiv Lstms, Facebook's Prophet și Amazon's Deepar

Recenzii ale cititorilor

Cartea este bine primită ca o introducere ușoară pentru începători a algoritmilor de învățare automată pentru prognoză, oferind explicații clare și exemple Python. Cu toate acestea, a fost criticată pentru că nu este cu adevărat avansată, conține repetiții inutile și necesită o editare mai bună.

⬤ Excelentă introducere în analiza seriilor de timp
⬤ explicații clare ale conceptelor
⬤ exemple practice de cod Python
⬤ progresie bună prin subiecte
⬤ valoros pentru începători.

⬤ Nu este cu adevărat avansată, așa cum sugerează titlul
⬤ conținut repetitiv
⬤ necesită o editare mai bună
⬤ unele capitole par superficiale
⬤ lipsesc anecdotele profesionale
⬤ comparații insuficiente de modele.

(pe baza a 10 recenzii ale cititorilor)

Titlul original:

Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar

Conținutul cărții:

Acoperă toate tehnicile de învățare automată relevante pentru problemele de prognoză, de la seriile de timp univariate și multivariate la învățarea supervizată, până la modele de prognoză profundă de ultimă generație, cum ar fi LSTM-urile, rețelele neuronale recurente, modelul Prophet open-source al Facebook și modelul DeepAR al Amazon.

Mai degrabă decât să se concentreze pe un set specific de modele, această carte prezintă o prezentare exhaustivă a tuturor tehnicilor relevante pentru practicienii prognozei. Ea începe prin a explica diferitele categorii de modele care sunt relevante pentru prognoză într-un limbaj de nivel înalt. În continuare, sunt abordate modele univariate și multivariate de serii cronologice, urmate de modele avansate de învățare automată și de învățare profundă. Cartea se încheie cu reflecții privind selectarea modelelor, cum ar fi scorurile de referință vs. inteligibilitatea modelelor vs. timpul de calcul, precum și recalificarea și actualizarea automată a modelelor.

Fiecare dintre modelele prezentate în această carte este acoperit în profunzime, cu o explicație intuitivă simplă a modelului, o transcriere matematică a ideii și un cod Python care aplică modelul la un set de date de exemplu.

Lectura acestei cărți va adăuga un avantaj competitiv setului dvs. actual de abilități de prognoză. Cartea este, de asemenea, adaptată celor care au început recent să lucreze la sarcini de prognoză și caută o carte exhaustivă care să le permită să înceapă cu modele tradiționale și să treacă treptat la modele din ce în ce mai avansate.

Ce veți învăța

⬤ Realizați previziuni cu Python.

⬤ Înțelegeți matematic și intuitiv modelele tradiționale de prognoză și tehnicile de învățare automată de ultimă oră.

⬤ Obțineți elementele de bază ale previziunilor și învățării automate, inclusiv evaluarea modelelor, validarea încrucișată și testarea din spate.

⬤ Selectați modelul potrivit pentru cazul de utilizare potrivit.

Pentru cine este această carte.

Caracterul avansat al ultimelor capitole face ca această carte să fie relevantă pentru experții aplicați care lucrează în domeniul previziunilor, deoarece modelele acoperite au fost publicate doar recent. Experții care lucrează în domeniu vor dori să își actualizeze competențele, deoarece modelele tradiționale sunt în mod regulat depășite de modele mai noi.