Ocena:
Książka została ogólnie dobrze przyjęta ze względu na uporządkowane podejście do nauczania prognozowania szeregów czasowych, zaczynając od podstawowych pojęć i stopniowo przechodząc do bardziej zaawansowanych tematów. Jest szczególnie chwalona za to, że jest przyjazna dla początkujących i jasno wyjaśnia kod Pythona. Niektórzy czytelnicy uważają jednak, że brakuje jej głębi w bardziej zaawansowanych tematach, nie uczy prognozowania poza dostępnymi zestawami danych i zawiera powtarzające się treści. Ogólnie rzecz biorąc, jest to dobre wprowadzenie, ale może nie zadowolić tych, którzy szukają bardziej kompleksowego pokrycia.
Zalety:⬤ Bardzo praktyczna i łatwa do naśladowania, szczególnie dla początkujących.
⬤ Wyraźnie wyjaśnia koncepcje i kod Pythona niemal linijka po linijce.
⬤ Obejmuje szereg tematów, od klasycznych po nowoczesne metody uczenia maszynowego.
⬤ Wykorzystuje schematy blokowe i ilustracje w celu wyjaśnienia pojęć.
⬤ Odpowiedni dla czytelników nietechnicznych i tych, którzy dopiero zaczynają prognozować szeregi czasowe.
⬤ Przeskok do zaawansowanych tematów uczenia maszynowego jest zbyt wczesny dla niektórych czytelników.
⬤ Brak instrukcji dotyczących prognozowania poza dostępnym zbiorem danych.
⬤ Niektóre przykłady kodu nie działają i wymagają zajrzenia na osobną stronę GitHub.
⬤ Zawiera powtarzające się treści, przez co wydaje się niepotrzebnie długa jak na swoją cenę.
(na podstawie 9 opinii czytelników)
Time Series Forecasting in Python
Twórz modele predykcyjne na podstawie wzorców czasowych w danych. Opanuj modele statystyczne, w tym nowe podejścia do głębokiego uczenia się do prognozowania szeregów czasowych.
W Time Series Forecasting in Python dowiesz się jak:
Rozpoznać problem prognozowania szeregów czasowych i zbudować wydajny model predykcyjny.
Tworzyć jednowymiarowe modele prognostyczne uwzględniające efekty sezonowe i zmienne zewnętrzne.
Tworzyć wielowymiarowe modele prognostyczne w celu przewidywania wielu szeregów czasowych jednocześnie.
Wykorzystanie dużych zbiorów danych poprzez głębokie uczenie do prognozowania szeregów czasowych.
Zautomatyzować proces prognozowania.
Time Series Forecasting in Python uczy budowania potężnych modeli predykcyjnych na podstawie danych czasowych. Każdy tworzony model jest istotny, użyteczny i łatwy do wdrożenia w Pythonie. Poznasz interesujące zestawy danych ze świata rzeczywistego, takie jak dzienne ceny akcji Google i dane ekonomiczne dla USA, szybko przechodząc od podstaw do tworzenia modeli na dużą skalę, które wykorzystują narzędzia do głębokiego uczenia się, takie jak TensorFlow.
Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.
O technologii.
Możesz przewidzieć przyszłość - z niewielką pomocą Pythona, głębokiego uczenia i danych szeregów czasowych! Prognozowanie szeregów czasowych to technika modelowania danych czasowych w celu identyfikacji nadchodzących wydarzeń. Nowe biblioteki Pythona i potężne narzędzia do głębokiego uczenia sprawiają, że dokładne prognozy szeregów czasowych są łatwiejsze niż kiedykolwiek wcześniej.
O książce.
Time Series Forecasting in Python uczy, jak uzyskać natychmiastowe, znaczące prognozy z danych opartych na czasie, takich jak dzienniki, analizy klientów i inne strumienie zdarzeń. W tej przystępnej książce poznasz metody statystyczne i głębokiego uczenia się do prognozowania szeregów czasowych, w pełni zademonstrowane za pomocą kodu Pythona z adnotacjami. Rozwijaj swoje umiejętności w projektach takich jak przewidywanie przyszłej liczby recept na leki, a wkrótce będziesz gotowy do tworzenia własnych, dokładnych i wnikliwych prognoz.
Co zawiera.
Tworzenie modeli uwzględniających efekty sezonowe i zmienne zewnętrzne.
Wielowymiarowe modele prognostyczne do przewidywania wielu szeregów czasowych.
Głębokie uczenie dla dużych zbiorów danych.
Automatyzacja procesu prognozowania.
O czytelniku.
Dla analityków danych znających Python i TensorFlow.
O autorze.
Marco Peixeiro jest doświadczonym instruktorem nauki o danych, który pracował jako analityk danych dla jednego z największych kanadyjskich banków.
Spis treści.
CZĘŚĆ 1 CZAS NIE CZEKA NA NIKOGO.
1 Zrozumienie prognozowania szeregów czasowych.
2 Naiwne przewidywanie przyszłości.
3 Losowy spacer.
CZĘŚĆ 2 PROGNOZOWANIE ZA POMOCĄ MODELI STATYSTYCZNYCH.
4 Modelowanie procesu średniej ruchomej.
5 Modelowanie procesu autoregresyjnego.
6 Modelowanie złożonych szeregów czasowych.
7 Prognozowanie niestacjonarnych szeregów czasowych.
8 Uwzględnianie sezonowości.
9 Dodawanie zmiennych zewnętrznych do naszego modelu.
10 Prognozowanie wielu szeregów czasowych.
11 Kamień milowy: Prognozowanie liczby recept na leki przeciwcukrzycowe w Australii.
CZĘŚĆ 3 PROGNOZOWANIE NA DUŻĄ SKALĘ Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA.
12 Wprowadzenie do głębokiego uczenia na potrzeby prognozowania szeregów czasowych.
13 Okno danych i tworzenie wartości bazowych dla głębokiego uczenia.
14 Pierwsze kroki z uczeniem głębokim.
15 Zapamiętywanie przeszłości za pomocą LSTM.
16 Filtrowanie szeregów czasowych za pomocą CNN.
17 Wykorzystywanie prognoz do tworzenia większej liczby prognoz.
18 Kamień milowy: Prognozowanie zużycia energii elektrycznej w gospodarstwie domowym.
CZĘŚĆ 4 AUTOMATYZACJA PROGNOZOWANIA NA DUŻĄ SKALĘ.
19 Automatyzacja prognozowania szeregów czasowych za pomocą Prophet.
20 Kamień milowy: Prognozowanie średniej miesięcznej ceny detalicznej steków w Kanadzie.
21 Wykraczanie poza schematy.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)
