Ocena:
Książka została dobrze przyjęta jako przyjazne dla początkujących wprowadzenie do algorytmów uczenia maszynowego do prognozowania, zapewniając jasne wyjaśnienia i przykłady w języku Python. Została jednak skrytykowana za to, że nie jest naprawdę zaawansowana, zawiera niepotrzebne powtórzenia i wymaga lepszej edycji.
Zalety:⬤ Doskonałe wprowadzenie do analizy szeregów czasowych
⬤ jasne wyjaśnienia pojęć
⬤ praktyczne przykłady kodu w Pythonie
⬤ dobra progresja tematów
⬤ cenne dla początkujących.
⬤ Niezbyt zaawansowana, jak sugeruje tytuł
⬤ powtarzająca się treść
⬤ wymaga lepszej edycji
⬤ niektóre rozdziały wydają się płytkie
⬤ brakuje profesjonalnych anegdot
⬤ niewystarczające porównanie modeli.
(na podstawie 10 opinii czytelników)
Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar
Obejmuje wszystkie techniki uczenia maszynowego istotne dla problemów prognozowania, począwszy od jedno- i wielowymiarowych szeregów czasowych, poprzez uczenie nadzorowane, aż po najnowocześniejsze modele głębokiego prognozowania, takie jak LSTM, rekurencyjne sieci neuronowe, model Prophet Facebooka typu open-source i model DeepAR firmy Amazon.
Zamiast skupiać się na konkretnym zestawie modeli, książka ta przedstawia wyczerpujący przegląd wszystkich technik istotnych dla praktyków prognozowania. Zaczyna się od wyjaśnienia różnych kategorii modeli, które są istotne dla prognozowania w języku wysokiego poziomu. Następnie omówiono jedno- i wielowymiarowe modele szeregów czasowych, a następnie zaawansowane modele uczenia maszynowego i głębokiego uczenia. Książka kończy się refleksjami na temat wyboru modeli, takimi jak wyniki testów porównawczych vs. zrozumiałość modeli vs. czas obliczeń oraz automatyczne przekwalifikowanie i aktualizacja modeli.
Każdy z modeli przedstawionych w tej książce jest omówiony dogłębnie, z intuicyjnym prostym wyjaśnieniem modelu, matematyczną transkrypcją pomysłu i kodem Pythona, który stosuje model do przykładowego zestawu danych.
Lektura tej książki doda przewagi konkurencyjnej do obecnego zestawu umiejętności prognozowania. Książka jest również dostosowana do tych, którzy niedawno rozpoczęli pracę nad zadaniami prognostycznymi i szukają wyczerpującej książki, która pozwoli im zacząć od tradycyjnych modeli i stopniowo przechodzić do coraz bardziej zaawansowanych modeli.
Czego się nauczysz
⬤ Prowadzić prognozowanie za pomocą Pythona.
⬤ Matematycznie i intuicyjnie zrozumieć tradycyjne modele prognostyczne i najnowocześniejsze techniki uczenia maszynowego.
⬤ Zdobyć podstawy prognozowania i uczenia maszynowego, w tym oceny modeli, walidacji krzyżowej i testowania wstecznego.
⬤ Wybierz odpowiedni model dla danego przypadku użycia.
Dla kogo jest ta książka.
Zaawansowany charakter późniejszych rozdziałów sprawia, że książka jest odpowiednia dla ekspertów pracujących w dziedzinie prognozowania, ponieważ omówione modele zostały opublikowane dopiero niedawno. Eksperci pracujący w tej dziedzinie będą chcieli zaktualizować swoje umiejętności, ponieważ tradycyjne modele są regularnie przewyższane przez nowsze modele.
