Gyakorlati idősorelemzés: Előrejelzés statisztikával és gépi tanulással

Olvasói vélemények

A könyv átfogó és gyakorlatias bevezetést nyújt az idősorelemzésbe, de szervezési problémák és a különböző programozási nyelvek közötti koherens példák hiánya miatt hiányoznak belőle.

Jól szervezett és közérthető írói stílus, a fogalmak gyakorlati alkalmazása, a témák széles körét öleli fel, jól használható a némi kódolási háttérrel rendelkezők számára, és erős a valós világhoz való kapcsolódása.

Az R és a Python használata összezavarhatja azokat az olvasókat, akik csak az egyik nyelvet ismerik, a tartalom szervezése nem következetes, egyes kódpéldák rosszul megírtak vagy nem futtathatók, és egyes témák esetében a szószátyárságra és a mélység hiányára lehet hivatkozni.

(25 olvasói vélemény alapján)

Eredeti címe:

Practical Time Series Analysis: Prediction with Statistics and Machine Learning

Könyv tartalma:

Az idősoros adatok elemzése egyre fontosabbá válik az ilyen adatok tömeges előállítása miatt a dolgok internete, az egészségügy digitalizálása és az intelligens városok felemelkedése miatt. Ahogy a folyamatos megfigyelés és adatgyűjtés egyre gyakoribbá válik, úgy nő az igény a kompetens idősorelemzésre mind statisztikai, mind gépi tanulási technikákkal.

Az idősoros adatelemzés újításait és a való világból vett felhasználási eseteket lefedve ez a gyakorlati útmutató segít megoldani a leggyakoribb adatszerkesztési és -elemzési kihívásokataz idősoros adatokban, mind a hagyományos statisztikai, mind a modern gépi tanulási technikák alkalmazásával. A szerző, Aileen Nielsen közérthető, jól körülhatárolt bevezetést nyújt az idősorok R és Python nyelven történő elemzésébe, amely az adattudósok, szoftvermérnökök és kutatók számára gyorsan használhatóvá teszi a munkát.

Megkapja az útmutatást, amire szüksége van ahhoz, hogy magabiztosan:

⬤ Az idősoros adatok keresése és kezelése.

⬤ Feltáró idősoros adatelemzés elvégzése.

⬤ Idősoros adatok tárolása.

⬤ Idősoros adatok szimulálása.

⬤ Az idősorok jellemzőinek generálása és kiválasztása.

⬤ Hiba mérése.

⬤ Idősorok előrejelzése és osztályozása gépi vagy mélytanulással.

⬤ A pontosság és teljesítmény értékelése.