Strojové učenie pre časové rady s Pythonom: Predpovede, predpovede a zisťovanie anomálií pomocou najmodernejších metód strojového učenia

Recenzie čitateľov

Kniha „Machine Learning for Time-Series with Python“ je oceňovaná pre svoj komplexný úvod do časových radov a metodík strojového učenia, najmä pre začiatočníkov. Obsahuje praktické príklady kódovania a pokrýva klasické aj moderné techniky, ale bola kritizovaná za množstvo chýb a nezrovnalostí.

Vynikajúca referenčná príručka pokrývajúca klasické a moderné modely časových radov s novým pohľadom na ich kombináciu so strojovým učením.

Jasné a plynulé písanie s historickým kontextom a akademickými odkazmi, ktoré napomáhajú porozumeniu.

(na základe 10 čitateľských recenzií)

Pôvodný názov:

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

Obsah knihy:

Získajte zručnosť pri získavaní poznatkov z časových radov údajov a analýze výkonnosti modelu

Kľúčové vlastnosti:

⬤ Preskúmajte populárne a moderné metódy strojového učenia vrátane najnovších algoritmov online a hlbokého učenia.

⬤ Učte sa zvyšovať presnosť svojich predpovedí priradením správneho modelu k správnemu problému.

⬤ Ovládnite časové rady prostredníctvom reálnych prípadových štúdií z oblasti riadenia prevádzky, digitálneho marketingu, financií a zdravotníctva.

Popis knihy:

Strojové učenie sa stalo mocným nástrojom na pochopenie skrytých zložitostí v súboroch údajov časových radov, ktoré je často potrebné analyzovať v tak rozmanitých oblastiach, ako je zdravotníctvo, ekonomika, digitálny marketing a sociálne vedy. Tieto súbory údajov sú nevyhnutné na prognózovanie a predpovedanie výsledkov alebo na odhaľovanie anomálií na podporu informovaného rozhodovania.

Táto kniha obsahuje základy jazyka Python pre časové rady a buduje vaše porozumenie tradičným autoregresným modelom, ako aj moderným neparametrickým modelom. Získate istotu pri načítavaní súborov údajov časových radov z ľubovoľného zdroja, pri modeloch hlbokého učenia, ako sú rekurentné neurónové siete a modely kauzálnych konvolučných sietí, a pri gradientnom posilňovaní s príznakovým inžinierstvom.

Strojové učenie pre časové rady v jazyku Python vysvetľuje teóriu niekoľkých užitočných modelov a vedie vás k tomu, aby ste dokázali vybrať správny model pre správny problém. Kniha obsahuje aj reálne prípadové štúdie týkajúce sa počasia, dopravy, cyklistiky a údajov z akciového trhu.

Na konci tejto knihy budete zdatní v efektívnej analýze súborov údajov časových radov pomocou princípov strojového učenia.

Čo sa naučíte:

⬤ Poznáte hlavné triedy časových radov a naučíte sa zisťovať odľahlé hodnoty a vzory.

⬤ Vyberiete si správnu metódu na riešenie problémov časových radov.

⬤ Popisovať sezónne a korelačné vzory pomocou autokorelácie a štatistických techník.

⬤ Získať prehľad o vizualizácii údajov časových radov.

⬤ Pochopiť klasické modely časových radov ako ARMA a ARIMA.

⬤ Zaviesť modely hlbokého učenia, ako sú Gaussove procesy a transformátory a najmodernejšie modely strojového učenia.

⬤ Oboznámte sa s mnohými knižnicami, ako sú prophet, xgboost a TensorFlow.

Pre koho je táto kniha určená:

Táto kniha je ideálna pre dátových analytikov, dátových vedcov a vývojárov v jazyku Python, ktorí chcú vykonávať analýzu časových radov s cieľom efektívne predpovedať výsledky. Základné znalosti jazyka Python sú nevyhnutné. Znalosť štatistiky je žiaduca.