Praktyczna analiza szeregów czasowych: Przewidywanie za pomocą statystyki i uczenia maszynowego

Opinie czytelników

Książka oferuje kompleksowe i praktyczne wprowadzenie do analizy szeregów czasowych, ale cierpi z powodu problemów organizacyjnych i braku spójnych przykładów w różnych językach programowania.

Dobrze zorganizowany i przystępny styl pisania, praktyczne zastosowanie pojęć, obejmuje szeroki zakres tematów, dobry dla osób z pewnym doświadczeniem w kodowaniu i ma duże znaczenie w świecie rzeczywistym.

Użycie zarówno R, jak i Pythona może dezorientować czytelników, którzy są zaznajomieni tylko z jednym językiem, organizacja treści jest niespójna, niektóre przykłady kodu są źle napisane lub niewykonalne, a w niektórych tematach pojawiają się zarzuty o gadatliwość i brak głębi.

(na podstawie 25 opinii czytelników)

Oryginalny tytuł:

Practical Time Series Analysis: Prediction with Statistics and Machine Learning

Zawartość książki:

Analiza danych szeregów czasowych staje się coraz ważniejsza ze względu na masowe wytwarzanie takich danych przez internet rzeczy, cyfryzację opieki zdrowotnej i rozwój inteligentnych miast. Ponieważ ciągłe monitorowanie i gromadzenie danych staje się coraz bardziej powszechne, wzrośnie zapotrzebowanie na kompetentną analizę szeregów czasowych z wykorzystaniem zarówno technik statystycznych, jak i uczenia maszynowego.

Obejmujący innowacje w analizie danych szeregów czasowych i przypadki użycia z rzeczywistego świata, ten praktyczny przewodnik pomoże ci rozwiązać najczęstsze wyzwania związane z inżynierią danych i analizą szeregów czasowych, wykorzystując zarówno tradycyjne techniki statystyczne, jak i nowoczesne techniki uczenia maszynowego. Autorka Aileen Nielsen oferuje przystępne, wszechstronne wprowadzenie do szeregów czasowych zarówno w R, jak i Pythonie, które pozwoli naukowcom zajmującym się danymi, inżynierom oprogramowania i badaczom szybko rozpocząć pracę.

Otrzymasz wskazówki, których potrzebujesz, aby pewnie:

⬤ Wyszukiwać i przetwarzać dane szeregów czasowych.

⬤ Przeprowadzać eksploracyjną analizę danych szeregów czasowych.

⬤ Przechowywać dane czasowe.

⬤ Symulować dane szeregów czasowych.

⬤ Generować i wybierać funkcje dla szeregów czasowych.

⬤ Pomiar błędów.

⬤ Prognozowanie i klasyfikowanie szeregów czasowych za pomocą uczenia maszynowego lub głębokiego uczenia.

⬤ Ocena dokładności i wydajności.