Machine Learning for Time-Series with Python: Prognozowanie, przewidywanie i wykrywanie anomalii za pomocą najnowocześniejszych metod uczenia maszynowego

Opinie czytelników

Książka „Machine Learning for Time-Series with Python” jest ceniona za kompleksowe wprowadzenie do szeregów czasowych i metodologii uczenia maszynowego, szczególnie dla początkujących. Zawiera praktyczne przykłady kodowania i obejmuje zarówno klasyczne, jak i nowoczesne techniki, ale została skrytykowana za liczne błędy i niespójności.

Doskonały podręcznik obejmujący klasyczne i nowoczesne modele szeregów czasowych ze świeżym spojrzeniem na łączenie ich z uczeniem maszynowym.

Przejrzysty i płynny język, z kontekstem historycznym i odniesieniami akademickimi, które pomagają w zrozumieniu.

(na podstawie 10 opinii czytelników)

Oryginalny tytuł:

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

Zawartość książki:

Zdobądź biegłość w uzyskiwaniu wglądu w dane szeregów czasowych i analizowaniu wydajności modelu

Kluczowe cechy:

⬤ Poznaj popularne i nowoczesne metody uczenia maszynowego, w tym najnowsze algorytmy online i głębokiego uczenia.

⬤ Naucz się zwiększać dokładność swoich prognoz poprzez dopasowanie odpowiedniego modelu do właściwego problemu.

⬤ Opanuj szeregi czasowe poprzez rzeczywiste studia przypadków dotyczące zarządzania operacjami, marketingu cyfrowego, finansów i opieki zdrowotnej.

Opis książki:

Uczenie maszynowe stało się potężnym narzędziem do zrozumienia ukrytych złożoności w zbiorach danych szeregów czasowych, które często muszą być analizowane w tak różnych obszarach, jak opieka zdrowotna, ekonomia, marketing cyfrowy i nauki społeczne. Te zbiory danych są niezbędne do prognozowania i przewidywania wyników lub wykrywania anomalii w celu wspierania świadomego podejmowania decyzji.

Ta książka obejmuje podstawy Pythona dla szeregów czasowych i buduje zrozumienie tradycyjnych modeli autoregresyjnych, a także nowoczesnych modeli nieparametrycznych. Nabierzesz pewności w ładowaniu zestawów danych szeregów czasowych z dowolnego źródła, modeli głębokiego uczenia się, takich jak rekurencyjne sieci neuronowe i przyczynowe modele sieci konwolucyjnych, a także zwiększania gradientu z inżynierią cech.

Machine Learning for Time-Series with Python wyjaśnia teorię stojącą za kilkoma przydatnymi modelami i prowadzi użytkownika w dopasowaniu odpowiedniego modelu do właściwego problemu. Książka zawiera również rzeczywiste studia przypadków obejmujące pogodę, ruch uliczny, jazdę na rowerze i dane giełdowe.

Pod koniec tej książki będziesz biegły w skutecznym analizowaniu zbiorów danych szeregów czasowych z zasadami uczenia maszynowego.

Czego się nauczysz:

⬤ Zrozumieć główne klasy szeregów czasowych i dowiedzieć się, jak wykrywać wartości odstające i wzorce.

⬤ Wybierać właściwe metody rozwiązywania problemów związanych z szeregami czasowymi.

⬤ Scharakteryzować wzorce sezonowe i korelacyjne za pomocą autokorelacji i technik statystycznych.

⬤ Zapoznanie się z wizualizacją danych szeregów czasowych.

⬤ Zrozumienie klasycznych modeli szeregów czasowych, takich jak ARMA i ARIMA.

⬤ Wdrożenie modeli głębokiego uczenia się, takich jak procesy gaussowskie i transformaty oraz najnowocześniejsze modele uczenia maszynowego.

⬤ Zapoznanie się z wieloma bibliotekami, takimi jak prophet, xgboost i TensorFlow.

Dla kogo jest ta książka:

Ta książka jest idealna dla analityków danych, naukowców zajmujących się danymi i programistów Pythona, którzy chcą przeprowadzić analizę szeregów czasowych, aby skutecznie przewidywać wyniki. Niezbędna jest podstawowa znajomość języka Python. Pożądana jest znajomość statystyki.