Praktyczna analiza szeregów czasowych w Pythonie: Od podstaw do najnowocześniejszych technik

Opinie czytelników

Książka oferuje mieszane doświadczenia dla czytelników, z których niektórzy doceniają jej pokrycie koncepcji szeregów czasowych, podczas gdy inni krytykują brak wyjaśnień i obecność błędów w kodzie. Istnieją poważne problemy z kontekstem i kontrolą jakości, co czyni ją mniej odpowiednią do poważnej nauki.

Obejmuje ważne techniki szeregów czasowych, takie jak ARMA, ARIMA, SARIMA, CNN, RNN i LSTM w prostym języku. Zapewnia oryginalny materiał i przejrzyste przykłady, które są korzystne dla początkujących niezaznajomionych z tymi koncepcjami.

Wielu czytelników uznało wyjaśnienia za niewystarczające, z dużymi blokami kodu dostarczonymi bez kontekstu lub wyjaśnienia. W kodzie występują liczne błędy, w tym literówki i nieprawidłowe ścieżki. Wyjaśnienia teoretyczne uznano za zbyt podstawowe, pozbawione głębi i nie łączące odpowiednio pojęć.

(na podstawie 5 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Poznaj koncepcje szeregów czasowych od tradycyjnych do najnowocześniejszych technik. Książka ta wykorzystuje kompleksowe przykłady, aby jasno zilustrować statystyczne podejścia i metody analizy danych szeregów czasowych oraz ich wykorzystanie w świecie rzeczywistym. Cały kod jest dostępny w notatnikach Jupyter.

Zaczniesz od przeglądu podstaw szeregów czasowych, struktury danych szeregów czasowych, wstępnego przetwarzania i sposobu tworzenia funkcji poprzez porządkowanie danych. Następnie przyjrzymy się tradycyjnym technikom szeregów czasowych, takim jak ARMA, SARIMAX, VAR i VARMA, wykorzystując ramy trendów, takie jak StatsModels i pmdarima.

Książka wyjaśnia również budowanie modeli klasyfikacyjnych przy użyciu sktime i obejmuje zaawansowane techniki oparte na głębokim uczeniu, takie jak ANN, CNN, RNN, LSTM, GRU i Autoencoder do rozwiązywania problemów z szeregami czasowymi przy użyciu Tensorflow. Na zakończenie wyjaśniono popularny framework fbprophet do modelowania analizy szeregów czasowych. Po przeczytaniu Hands -On Time Series Analysis with Python, będziesz w stanie zastosować te nowe techniki w branżach, takich jak ropa i gaz, robotyka, produkcja, rząd, bankowość, handel detaliczny, opieka zdrowotna i wiele innych.

Czego się nauczysz:

- Wyjaśnia podstawy i zaawansowane koncepcje szeregów czasowych.

- Jak projektować, rozwijać, szkolić i weryfikować metodologie szeregów czasowych.

- Czym są techniki wygładzania, ARMA, ARIMA, SARIMA, SRIMAX, VAR, VARMA w szeregach czasowych i jak optymalnie dostroić parametry, aby uzyskać najlepsze wyniki.

- Dowiedz się, jak wykorzystać najnowocześniejsze techniki, takie jak ANN, CNN, RNN, LSTM, GRU, Autoencoder do rozwiązywania problemów zarówno jedno-, jak i wielowymiarowych przy użyciu dwóch rodzajów metod przygotowania danych dla szeregów czasowych.

- Jednowymiarowe i wielowymiarowe rozwiązywanie problemów przy użyciu fbprophet.

Dla kogo jest ta książka

Naukowcy zajmujący się danymi, analitycy danych, analitycy finansowi i badacze giełdowi.