Prognoza seriilor de timp în Python

Recenzii ale cititorilor

Cartea este în general bine primită pentru abordarea sa structurată de predare a previziunilor seriilor de timp, pornind de la concepte de bază și progresând treptat către subiecte mai avansate. Este lăudată în special pentru faptul că este prietenoasă cu începătorii și explică clar codul Python. Cu toate acestea, unii cititori consideră că îi lipsește profunzimea în subiectele mai avansate, nu învață cum să prognozeze dincolo de seturile de date disponibile și are un conținut repetitiv. În general, acesta servește ca o bună introducere, dar s-ar putea să nu-i satisfacă pe cei care caută o acoperire mai cuprinzătoare.

⬤ Foarte practic și ușor de urmărit, în special pentru începători.
⬤ Explică clar conceptele și codul Python aproape linie cu linie.
⬤ Acoperă o gamă largă de subiecte, de la metodele clasice la cele moderne de învățare automată.
⬤ Folosește diagrame de flux și ilustrații pentru a clarifica conceptele.
⬤ Potrivit pentru cititorii non-tehnici și pentru cei noi în domeniul previziunilor seriilor de timp.

⬤ Saltul la subiecte avansate de învățare automată este prea devreme pentru unii cititori.
⬤ Lipsă de instrucțiuni privind modul de prognoză dincolo de setul de date disponibil.
⬤ Unele exemple de cod nu funcționează și necesită căutarea pe o pagină GitHub separată.
⬤ Conține conținut repetitiv, ceea ce îl face să pară inutil de lung pentru prețul său.

(pe baza a 9 recenzii ale cititorilor)

Titlul original:

Time Series Forecasting in Python

Conținutul cărții:

Construiți modele predictive pornind de la modelele bazate pe timp din datele dumneavoastră. Stăpâniți modelele statistice, inclusiv noile abordări de învățare profundă pentru prognoza seriilor de timp.

În Time Series Forecasting in Python veți învăța cum să:

Recunoașteți o problemă de prognoză a seriilor de timp și construiți un model predictiv performant.

Creați modele de prognoză univariate care țin cont de efectele sezoniere și de variabilele externe.

Construiți modele de prognoză multivariate pentru a prezice mai multe serii de timp simultan.

Exploatați seturi mari de date prin utilizarea învățării profunde pentru prognozarea seriilor temporale.

Automatizați procesul de prognoză.

Time Series Forecasting in Python vă învață să construiți modele predictive puternice din date bazate pe timp. Fiecare model pe care îl veți crea este relevant, util și ușor de implementat cu Python. Veți explora seturi de date reale interesante, cum ar fi prețul zilnic al acțiunilor Google și date economice pentru SUA, progresând rapid de la elementele de bază la dezvoltarea de modele la scară largă care utilizează instrumente de învățare profundă, cum ar fi TensorFlow.

Achiziționarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie.

Puteți prezice viitorul - cu puțin ajutor din partea Python, a învățării profunde și a datelor seriilor temporale! Prognoza seriilor temporale este o tehnică de modelare a datelor centrate pe timp pentru a identifica evenimentele viitoare. Noile biblioteci Python și instrumentele puternice de învățare profundă fac previziunile precise ale seriilor de timp mai ușoare ca niciodată.

Despre carte.

Time Series Forecasting in Python vă învață cum să obțineți previziuni imediate și semnificative din date bazate pe timp, cum ar fi jurnalele, analizele clienților și alte fluxuri de evenimente. În această carte accesibilă, veți învăța metode statistice și de învățare profundă pentru prognoza seriilor de timp, demonstrate complet cu cod Python adnotat. Dezvoltați-vă abilitățile cu proiecte precum prezicerea viitorului volum de rețete de medicamente și în curând veți fi gata să vă construiți propriile previziuni precise și perspicace.

Ce este în interior.

Creați modele pentru efecte sezoniere și variabile externe.

Modele de prognoză multivariate pentru a prezice mai multe serii temporale.

Învățare profundă pentru seturi mari de date.

Automatizați procesul de prognoză.

Despre cititor.

Pentru cercetătorii de date familiarizați cu Python și TensorFlow.

Despre autor.

Marco Peixeiro este un instructor experimentat în știința datelor care a lucrat ca om de știință a datelor pentru una dintre cele mai mari bănci din Canada.

Tabla de conținut.

PARTEA 1 TIMPUL NU AȘTEAPTĂ PE NIMENI.

1 Înțelegerea previziunii seriilor temporale.

2 O predicție naivă a viitorului.

3 Mergând pe o plimbare aleatorie.

PARTEA 2 PREVIZIUNI CU MODELE STATISTICE.

4 Modelarea unui proces mediu mobil.

5 Modelarea unui proces autoregresiv.

6 Modelarea seriilor temporale complexe.

7 Previzionarea seriilor de timp nestaționare.

8 Luarea în considerare a sezonalității.

9 Adăugarea de variabile externe la modelul nostru.

10 Previzionarea mai multor serii temporale.

11 Capstone: Previzionarea numărului de rețete de medicamente antidiabetice în Australia.

PARTEA 3 PREVIZIUNI PE SCARĂ LARGĂ CU ÎNVĂȚARE PROFUNDĂ.

12 Introducere în învățarea profundă pentru prognoza seriilor de timp.

13 Fereastrarea datelor și crearea de linii de bază pentru învățarea profundă.

14 Pași mici cu învățarea profundă.

15 Amintirea trecutului cu LSTM.

16 Filtrarea unei serii cronologice cu CNN.

17 Utilizarea predicțiilor pentru a face mai multe predicții.

18 Capstone: Previzionarea consumului de energie electrică al unei gospodării.

PARTEA 4 AUTOMATIZAREA PREVIZIUNILOR LA SCARĂ LARGĂ.

19 Automatizarea previziunilor seriilor de timp cu Prophet.

20 Capstone: Previzionarea prețului mediu lunar cu amănuntul al fripturii în Canada.

21 Mergând mai departe și mai departe.