Pokročilé prognózovanie s Pythonom: S najnovšími modelmi vrátane Lstms, Facebook's Prophet a Amazon's Deepar

Recenzie čitateľov

Kniha je dobre prijímaná ako úvod do algoritmov strojového učenia na prognózovanie, ktorý je vhodný pre začiatočníkov a poskytuje jasné vysvetlenia a príklady v jazyku Python. Bola však kritizovaná za to, že nie je skutočne pokročilá, obsahuje zbytočné opakovanie a vyžaduje si lepšiu úpravu.

⬤ Výborný úvod do analýzy časových radov
⬤ jasné vysvetlenie pojmov
⬤ praktické príklady kódu v jazyku Python
⬤ dobrý postup témami
⬤ cenné pre začiatočníkov.

⬤ Nie je skutočne pokročilý, ako naznačuje názov
⬤ opakujúci sa obsah
⬤ potrebuje lepšiu úpravu
⬤ niektoré kapitoly pôsobia plytko
⬤ chýbajú odborné anekdoty
⬤ nedostatočné porovnanie modelov.

(na základe 10 čitateľských recenzií)

Pôvodný názov:

Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar

Obsah knihy:

Zahŕňa všetky techniky strojového učenia relevantné pre problémy prognózovania, od jednorozmerných a viacrozmerných časových radov cez učenie pod dohľadom až po najmodernejšie modely hlbokého prognózovania, ako sú LSTM, rekurentné neurónové siete, model Prophet s otvoreným zdrojovým kódom spoločnosti Facebook a model DeepAR spoločnosti Amazon.

Namiesto toho, aby sa táto kniha zamerala na konkrétny súbor modelov, predstavuje vyčerpávajúci prehľad všetkých techník relevantných pre odborníkov z praxe v oblasti prognózovania. Začína vysvetlením rôznych kategórií modelov, ktoré sú relevantné pre prognózovanie vo vysokoúrovňovom jazyku. Ďalej sa zaoberá jednorozmernými a viacrozmernými modelmi časových radov, po ktorých nasledujú pokročilé modely strojového učenia a hlbokého učenia. V závere sa venuje úvahám o výbere modelov, ako sú referenčné skóre vs. zrozumiteľnosť modelov vs. výpočtový čas a automatizované preškolenie a aktualizácia modelov.

Každý z modelov predstavených v tejto knihe je rozobraný do hĺbky, s intuitívnym jednoduchým vysvetlením modelu, matematickým prepisom myšlienky a kódom v jazyku Python, ktorý aplikuje model na súbor príkladov údajov.

Prečítanie tejto knihy vám dodá konkurenčnú výhodu k vašim súčasným prognostickým zručnostiam. Kniha je prispôsobená aj tým, ktorí nedávno začali pracovať na úlohách prognózovania a hľadajú vyčerpávajúcu knihu, ktorá im umožní začať s tradičnými modelmi a postupne prechádzať na čoraz pokročilejšie modely.

Čo sa naučíte

⬤ Vykonávať prognózovanie pomocou jazyka Python.

⬤ Matematicky a intuitívne pochopiť tradičné prognostické modely a najmodernejšie techniky strojového učenia.

⬤ Získať základy prognózovania a strojového učenia vrátane vyhodnocovania modelov, krížového overovania a spätného testovania.

⬤ Vyberte správny model pre správny prípad použitia.

Pre koho je táto kniha určená.

Vďaka pokročilému charakteru neskorších kapitol je kniha relevantná pre aplikovaných odborníkov pracujúcich v oblasti prognózovania, keďže modely, ktoré sú v nej zahrnuté, boli publikované len nedávno. Odborníci pracujúci v tejto oblasti si budú chcieť aktualizovať svoje zručnosti, pretože tradičné modely sú pravidelne prekonávané novšími modelmi.