Hodnotenie:
Kniha je všeobecne dobre prijímaná pre svoj štruktúrovaný prístup k výučbe prognózovania časových radov, ktorý začína od základných pojmov a postupne prechádza k pokročilejším témam. Obzvlášť je chválená za to, že je priateľská k začiatočníkom a jasne vysvetľuje kód v jazyku Python. Niektorí čitatelia však majú pocit, že jej chýba hĺbka v pokročilejších témach, neučí, ako predpovedať nad rámec dostupných súborov údajov, a má opakujúci sa obsah. Celkovo slúži ako dobrý úvod, ale nemusí uspokojiť tých, ktorí hľadajú komplexnejšie pokrytie.
Výhody:⬤ Veľmi praktické a jednoduché na sledovanie, najmä pre začiatočníkov.
⬤ Jasne vysvetľuje koncepty a kód jazyka Python takmer riadok po riadku.
⬤ Pokrýva celý rad tém od klasických až po moderné metódy strojového učenia.
⬤ Na objasnenie pojmov používa vývojové diagramy a ilustrácie.
⬤ Vhodné pre netechnických čitateľov a pre tých, ktorí sa s prognózovaním časových radov ešte len zoznamujú.
⬤ Prechod na pokročilé témy strojového učenia je pre niektorých čitateľov príliš skorý.
⬤ Chýba návod, ako predpovedať nad rámec dostupného súboru údajov.
⬤ Niektoré príklady kódu nefungujú a vyžadujú si nahliadnutie na samostatnú stránku GitHub.
⬤ Obsahuje opakujúci sa obsah, takže sa zdá, že je na svoju cenu zbytočne dlhá.
(na základe 9 čitateľských recenzií)
Time Series Forecasting in Python
Vytvorte prediktívne modely na základe časových vzorcov vo vašich údajoch. Ovládajte štatistické modely vrátane nových prístupov hlbokého učenia na predpovedanie časových radov.
V knihe Prognózovanie časových radov v jazyku Python sa naučíte, ako:
Rozpoznať problém prognózovania časových radov a vytvoriť výkonný prognostický model.
Vytvoriť jednorozmerné prognostické modely, ktoré zohľadňujú sezónne vplyvy a externé premenné.
Vytvoriť viacrozmerné prognostické modely na predpovedanie mnohých časových radov naraz.
Využiť veľké súbory údajov pomocou hlbokého učenia na prognózovanie časových radov.
Automatizujte proces prognózovania.
Predpovedanie časových radov v jazyku Python vás naučí vytvárať výkonné predikčné modely z časových údajov. Každý model, ktorý vytvoríte, je relevantný, užitočný a ľahko implementovateľný pomocou jazyka Python. Preskúmate zaujímavé súbory reálnych údajov, ako sú denné ceny akcií spoločnosti Google a ekonomické údaje pre USA, a rýchlo prejdete od základov k vývoju rozsiahlych modelov, ktoré využívajú nástroje hlbokého učenia, ako je TensorFlow.
Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.
O technológii: V knihe nájdete informácie o technológiách, ktoré sa využívajú pri práci s dátami, ako je napr.
Môžete predpovedať budúcnosť - s malou pomocou Pythonu, hlbokého učenia a časových radov dát! Predpovedanie časových radov je technika na modelovanie časovo orientovaných údajov s cieľom identifikovať nadchádzajúce udalosti. Vďaka novým knižniciam jazyka Python a výkonným nástrojom hlbokého učenia je presné predpovedanie časových radov jednoduchšie ako kedykoľvek predtým.
O knihe: V súčasnosti je k dispozícii viacero nových technológií, ktoré umožňujú vytvárať časové rady.
Predpovedanie časových radov v jazyku Python vás naučí, ako získať okamžité, zmysluplné predpovede z časovo orientovaných údajov, ako sú napríklad logy, analýzy zákazníkov a iné toky udalostí. V tejto prístupnej knihe sa naučíte štatistické metódy a metódy hlbokého učenia na predpovedanie časových radov, ktoré sú plne demonštrované pomocou komentovaného kódu v jazyku Python. Rozvíjajte svoje zručnosti na projektoch, ako je napríklad predpovedanie budúceho objemu predpísaných liekov, a čoskoro budete pripravení vytvárať vlastné presné a výstižné prognózy.
Čo je vo vnútri.
Vytvárajte modely pre sezónne vplyvy a externé premenné.
Viacrozmerné prognostické modely na predpovedanie viacerých časových radov.
Hlboké učenie pre veľké súbory údajov.
Automatizácia procesu prognózovania.
O čitateľovi: V tejto knihe nájdete viac informácií o prognózovaní, ktoré sa týkajú najmä prognózovania.
Pre dátových vedcov, ktorí poznajú Python a TensorFlow.
Informácie o autorovi.
Marco Peixeiro je skúsený inštruktor dátovej vedy, ktorý pracoval ako dátový vedec pre jednu z najväčších kanadských bánk.
Obsah.
ČASŤ 1 ČAS NA NIKOHO NEČAKÁ.
1 Pochopenie prognózovania časových radov.
2 Naivná predpoveď budúcnosti.
3 Prechod na náhodnú prechádzku.
ČASŤ 2 PROGNÓZOVANIE POMOCOU ŠTATISTICKÝCH MODELOV.
4 Modelovanie procesu kĺzavého priemeru.
5 Modelovanie autoregresného procesu.
6 Modelovanie zložitých časových radov.
7 Prognózovanie nestacionárnych časových radov.
8 Zohľadňovanie sezónnosti.
9 Pridávanie externých premenných do nášho modelu.
10 Predpovedanie viacerých časových radov.
11 Capstone: Predpovedanie počtu predpísaných antidiabetík v Austrálii.
ČASŤ 3 PROGNÓZOVANIE VO VEĽKOM ROZSAHU POMOCOU HLBOKÉHO UČENIA.
12 Predstavenie hlbokého učenia na prognózovanie časových radov.
13 Okienkovanie údajov a vytváranie východiskových hodnôt pre hlboké učenie.
14 Detské kroky s hlbokým učením.
15 Pamätanie si minulosti pomocou LSTM.
16 Filtrovanie časového radu pomocou CNN.
17 Používanie predpovedí na vytváranie ďalších predpovedí.
18 Hlavný kameň: Predpovedanie spotreby elektrickej energie v domácnosti.
ČASŤ 4 AUTOMATIZÁCIA PROGNÓZOVANIA VO VEĽKOM MERADLE.
19 Automatizácia prognózovania časových radov pomocou programu Prophet.
20 Capstone: Predpovedanie priemernej mesačnej maloobchodnej ceny steaku v Kanade.
21 Prekročenie limitov.