Értékelés:
A könyv általánosságban kedvező fogadtatásra talált az idősor-előrejelzés tanításának strukturált megközelítése miatt, amely az alapfogalmaktól indul, és fokozatosan halad előre a haladóbb témák felé. Különösen dicsérik a kezdőbarát jellegét és a Python-kód világos magyarázatát. Egyes olvasók azonban úgy érzik, hogy a haladóbb témákban nem elég mélyreható, nem tanítja meg, hogyan lehet a rendelkezésre álló adathalmazokon túlmutató előrejelzéseket készíteni, és ismétlődő tartalommal bír. Összességében jó bevezetésként szolgál, de nem biztos, hogy kielégíti azokat, akik átfogóbb lefedettséget keresnek.
Előnyök:⬤ Nagyon gyakorlatias és könnyen követhető, különösen kezdők számára.
⬤ Világosan elmagyarázza a fogalmakat és a Python-kódot szinte soronként.
⬤ A klasszikus és a modern gépi tanulási módszerektől a témák széles skáláját öleli fel.
⬤ Folyamatábrákat és illusztrációkat használ a fogalmak tisztázására.
⬤ Alkalmas a nem műszaki olvasók és az idősor-előrejelzéssel újonnan ismerkedők számára.
⬤ Néhány olvasó számára túl korai a haladó gépi tanulás témáira való áttérés.
⬤ Hiányzik a rendelkezésre álló adathalmazon túli előrejelzésre vonatkozó útmutatás.
⬤ Néhány kódpélda nem működik, és külön GitHub-oldalon kell keresni.
⬤ Ismétlődő tartalmat tartalmaz, így az árához képest szükségtelenül hosszúnak tűnik.
(9 olvasói vélemény alapján)
Time Series Forecasting in Python
Előrejelző modellek építése az adatok időalapú mintázataiból. Sajátítsa el a statisztikai modelleket, beleértve az új mélytanulási megközelítéseket az idősor-előrejelzéshez.
Az Idősoros előrejelzés Pythonban megtanulhatja, hogyan:
Ismerje fel az idősor-előrejelzési problémát, és építsen egy teljesítőképes előrejelző modellt.
Hozzon létre szezonális hatásokat és külső változókat figyelembe vevő egyváltozós előrejelzési modelleket.
Építsen többváltozós előrejelző modelleket, hogy egyszerre sok idősorozatot jósoljon meg.
Nagy adathalmazok kihasználása mélytanulás alkalmazásával idősorok előrejelzésére.
Az előrejelzési folyamat automatizálása.
Az Idősor-előrejelzés Pythonban megtanítja, hogy időalapú adatokból erőteljes előrejelző modelleket építsen. Minden egyes modell, amelyet létrehoz, releváns, hasznos és Python segítségével könnyen megvalósítható. Olyan érdekes, valós világbeli adatkészleteket vizsgálsz meg, mint a Google napi részvényárfolyama és az USA gazdasági adatai, és gyorsan haladsz az alapoktól a nagyméretű modellek fejlesztéséig, amelyek olyan mélytanulási eszközöket használnak, mint a TensorFlow.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról.
Megjósolhatod a jövőt - egy kis Python, mélytanulás és idősoros adatok segítségével! Az idősor-előrejelzés az időközpontú adatok modellezésének technikája a közelgő események azonosítására. Az új Python-könyvtárak és a nagy teljesítményű mélytanulási eszközök minden eddiginél egyszerűbbé teszik a pontos idősor-előrejelzést.
A könyvről.
Az Idősor-előrejelzés Pythonban megtanítja, hogyan lehet azonnali, értelmes előrejelzéseket kapni az időalapú adatokból, például naplófájlokból, ügyfélelemzésekből és más eseményáramokból. Ebben a közérthető könyvben megismerheti az idősor-előrejelzés statisztikai és mélytanulási módszereit, amelyeket kommentált Python-kóddal teljes mértékben bemutatunk. Fejlessze készségeit olyan projektekkel, mint a gyógyszerfelírások jövőbeli mennyiségének előrejelzése, és hamarosan készen áll majd arra, hogy saját pontos, éleslátó előrejelzéseket készítsen.
Mi van benne?
Készítsen modelleket szezonális hatások és külső változók figyelembevételével.
Többváltozós előrejelzési modellek több idősor előrejelzéséhez.
Mélytanulás nagy adathalmazokhoz.
Az előrejelzési folyamat automatizálása.
Az olvasóról.
A Python és a TensorFlow programmal ismerkedő adattudósok számára.
A szerzőről.
Marco Peixeiro tapasztalt adattudományi oktató, aki Kanada egyik legnagyobb bankjának adattudósaként dolgozott.
Tartalomjegyzék.
1. RÉSZ AZ IDŐ SENKIRE SEM VÁR.
1 Az idősoros előrejelzés megértése.
2 A jövő naiv előrejelzése.
3 Véletlenszerű séta.
2. RÉSZ ELŐREJELZÉS STATISZTIKAI MODELLEKKEL.
4 Egy mozgóátlag-folyamat modellezése.
5 Autoregresszív folyamat modellezése.
6 Összetett idősorok modellezése.
7 Nem stacionárius idősorok előrejelzése.
8 A szezonalitás figyelembevétele.
9 Külső változók hozzáadása a modellünkhöz.
10 Több idősor előrejelzése.
11 A zárókövön: Az antidiabetikus gyógyszerfelírások számának előrejelzése Ausztráliában.
3. RÉSZ NAGYMÉRETŰ ELŐREJELZÉS MÉLYTANULÁSSAL.
12 A mélytanulás bevezetése idősor-előrejelzéshez.
13 Adatablakok és alapvonalak létrehozása a mélytanuláshoz.
14 Kis lépések a mélytanulással.
15 A múltra való emlékezés LSTM-mel.
16 Idősorozat szűrése CNN-nel.
17 Előrejelzések felhasználása további előrejelzések készítéséhez.
18 A zárókő: Egy háztartás villamosenergia-fogyasztásának előrejelzése.
4. RÉSZ ELŐREJELZÉS AUTOMATIZÁLÁSA MÉRETARÁNYOSAN.
19 Idősor-előrejelzés automatizálása a Prophet segítségével.
20 Kőkapu: A steak havi átlagos kiskereskedelmi árának előrejelzése Kanadában.
21 Túllépni a célon.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)
