Értékelés:
A könyv jó fogadtatásban részesült, mivel kezdőbarát bevezetést nyújt az előrejelzésre szolgáló gépi tanulási algoritmusokba, világos magyarázatokkal és Python példákkal. Ugyanakkor bírálták, hogy nem igazán haladó, felesleges ismétléseket tartalmaz, és jobb szerkesztést igényel.
Előnyök:⬤ Kiváló bevezetés az idősorelemzésbe
⬤ a fogalmak világos magyarázata
⬤ gyakorlati Python kódpéldák
⬤ jó előrehaladás a témákban
⬤ kezdők számára értékes.
⬤ Nem igazán haladó, ahogy a cím sugallja
⬤ ismétlődő tartalom
⬤ jobb szerkesztést igényel
⬤ egyes fejezetek sekélyesnek tűnnek
⬤ hiányoznak a szakmai anekdoták
⬤ nem elegendő a modellösszehasonlítás.
(10 olvasói vélemény alapján)
Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar
Az előrejelzési problémák szempontjából releváns összes gépi tanulási technikát lefedik, az egyváltozós és többváltozós idősoroktól kezdve a felügyelt tanuláson át a legmodernebb mély előrejelzési modellekig, mint például az LSTM-ek, a rekurrens neurális hálózatok, a Facebook nyílt forráskódú Prophet modellje és az Amazon DeepAR modellje.
Ahelyett, hogy a modellek egy adott csoportjára összpontosítana, ez a könyv kimerítő áttekintést nyújt az összes, az előrejelzéssel foglalkozó szakemberek számára releváns technikáról. Azzal kezdi, hogy magas szintű nyelven elmagyarázza az előrejelzés szempontjából releváns modellek különböző kategóriáit. Ezután kitér az egyváltozós és többváltozós idősoros modellekre, majd a fejlett gépi tanulási és mélytanulási modellekre. A modellválasztással kapcsolatos megfontolásokkal zárul, mint például a benchmark pontszámok vs. a modellek érthetősége vs. a számítási idő, valamint a modellek automatikus átképzése és frissítése.
A könyvben bemutatott modellek mindegyikét mélységében tárgyalja, a modell intuitív, egyszerű magyarázatával, az ötlet matematikai átírásával és Python-kóddal, amely a modellt egy példaadathalmazra alkalmazza.
E könyv elolvasása versenyelőnyhöz juttatja jelenlegi előrejelzési készségeit. A könyv azok számára is alkalmas, akik nemrégiben kezdtek el előrejelzési feladatokkal foglalkozni, és egy olyan kimerítő könyvet keresnek, amely lehetővé teszi számukra, hogy a hagyományos modellekkel kezdjék, és fokozatosan haladjanak az egyre fejlettebb modellek felé.
Mit fog tanulni
⬤ Előrendszeres előrejelzések készítése Python nyelvvel.
⬤ Matematikusan és intuitív módon megértse a hagyományos előrejelzési modelleket és a legmodernebb gépi tanulási technikákat.
⬤ Az előrejelzés és a gépi tanulás alapjainak elsajátítása, beleértve a modellek értékelését, a kereszt-validálást és a visszatesztelést.
⬤ Válassza ki a megfelelő modellt a megfelelő felhasználási esethez.
Kinek szól ez a könyv.
A későbbi fejezetek haladó jellege miatt a könyv az előrejelzés területén dolgozó alkalmazott szakemberek számára releváns, mivel a tárgyalt modellek csak nemrég jelentek meg. A területen dolgozó szakembereknek érdemes lesz frissíteniük ismereteiket, mivel a hagyományos modelleket rendszeresen felülmúlják az újabb modellek.
