Hands-On Time Series Analysis with Python: Az alapoktól a vérző élű technikákig

Olvasói vélemények

A könyv vegyes élményt nyújt az olvasóknak: egyesek értékelik az idősoros fogalmak lefedettségét, míg mások a magyarázat hiányát és a kódban található hibákat kritizálják. Jelentős problémák vannak a kontextussal és a minőségellenőrzéssel, ami kevésbé teszi alkalmassá a komoly tanulásra.

Egyszerű nyelven tárgyalja az olyan fontos idősoros technikákat, mint az ARMA, ARIMA, SARIMA, CNN, RNN és LSTM. Eredeti anyagot és világos példákat nyújt, amelyek hasznosak az e fogalmakkal nem ismerkedő kezdők számára.

Sok olvasó elégtelennek találta a magyarázatokat, mivel nagy kódtömböket közöltek kontextus vagy pontosítás nélkül. A kódban számos hiba található, köztük elgépelések és helytelen útvonalak. Az elméleti magyarázatokat túlságosan alapszintűnek ítélték, nem elég mélyek, és nem kapcsolják össze megfelelően a fogalmakat.

(5 olvasói vélemény alapján)

Eredeti címe:

Hands-On Time Series Analysis with Python: From Basics to Bleeding Edge Techniques

Könyv tartalma:

Ismerje meg az idősorok fogalmait a hagyományos és a legmodernebb technikák között. Ez a könyv átfogó példákon keresztül világosan bemutatja az idősoros adatok elemzésének statisztikai megközelítéseit és módszereit, valamint azok felhasználását a való világban. Az összes kód elérhető Jupyter notebookokban.

Az idősorok alapjainak áttekintésével, az idősoros adatok szerkezetével, az előfeldolgozással és azzal kezd, hogyan lehet a jellemzőket az adatfeldolgozáson keresztül megalkotni. Ezután megnézzük a hagyományos idősoros technikákat, mint az ARMA, SARIMAX, VAR és VARMA, olyan trendi keretrendszerek segítségével, mint a StatsModels és a pmdarima.

A könyv emellett elmagyarázza az osztályozási modellek építését sktime használatával, és olyan fejlett mélytanulás-alapú technikákkal foglalkozik, mint az ANN, CNN, RNN, LSTM, GRU és Autoencoder az idősoros problémák megoldásához a Tensorflow segítségével. A könyv az idősorelemzés modellezésére szolgáló népszerű fbprophet keretrendszer ismertetésével zárul. A Hands -On Time Series Analysis with Python elolvasása után képes lesz arra, hogy ezeket az új technikákat olyan iparágakban alkalmazza, mint például az olaj- és gázipar, a robotika, a gyártás, a kormányzat, a bankszektor, a kiskereskedelem, az egészségügy és még sok más iparág.

What You'll Learn:

- Megmagyarázza az idősorok alapjaitól a haladó koncepciókig.

- Hogyan tervezzünk, fejlesszünk, képezzünk és validáljunk idősoros módszereket.

- Mik a simítási, ARMA, ARIMA, SARIMA, SRIMAX, VAR, VARMA technikák az idősorokban, és hogyan lehet optimálisan beállítani a paramétereket a legjobb eredmények elérése érdekében.

- Megtanulja, hogyan lehet kihasználni az olyan vérző technikákat, mint az ANN, CNN, RNN, LSTM, GRU, Autoencoder, hogy megoldja mind az univariáns, mind a multivariáns problémákat az idősorok kétféle adatelőkészítési módszerének használatával.

- Egyváltozós és többváltozós problémamegoldás az fbprophet használatával.

Kinek szól ez a könyv

Adattudósok, adatelemzők, pénzügyi elemzők és tőzsdei kutatók.