Machine Learning for Time-Series with Python: Előrejelzés, előrejelzés és anomáliák észlelése a legkorszerűbb gépi tanulási módszerekkel

Olvasói vélemények

A „Machine Learning for Time-Series with Python” című könyvet azért értékelik, mert átfogó bevezetést nyújt az idősorok és a gépi tanulás módszertanaiba, különösen a kezdők számára. Gyakorlati kódolási példákat tartalmaz, és mind a klasszikus, mind a modern technikákat lefedi, de számos hiba és következetlenség miatt kritika éri.

Kiváló referencia kézikönyv, amely a klasszikus és modern idősor-modelleket tárgyalja, friss szemlélettel a gépi tanulással való kombinálásukról.

Világos és gördülékeny írás, történelmi kontextussal és tudományos hivatkozásokkal, amelyek segítik a megértést.

(10 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

Legyen jártas az idősoros adatokból való következtetések levonásában és a modell teljesítményének elemzésében

Főbb jellemzők:

⬤ Tudja meg a népszerű és modern gépi tanulási módszereket, beleértve a legújabb online és mélytanulási algoritmusokat.

⬤ Tanulja meg, hogyan növelheti előrejelzéseinek pontosságát a megfelelő modell és a megfelelő probléma összehangolásával.

⬤ Mestereld meg az idősorokat a valós világbeli esettanulmányokon keresztül a műveletmenedzsment, a digitális marketing, a pénzügy és az egészségügy területén.

A könyv leírása:

A gépi tanulás hatékony eszközzé vált az idősoros adathalmazokban rejlő komplexitások megértéséhez, amelyeket gyakran kell elemezni olyan különböző területeken, mint az egészségügy, a közgazdaságtan, a digitális marketing és a társadalomtudományok. Ezek az adatkészletek nélkülözhetetlenek az előrejelzéshez és az eredmények megjóslásához, illetve az anomáliák felderítéséhez a megalapozott döntéshozatal támogatása érdekében.

Ez a könyv az idősorok Python-alapjait tárgyalja, és a hagyományos autoregresszív modellek, valamint a modern, nem parametrikus modellek megértését alapozza meg. Magabiztossá válik az idősoros adathalmazok bármilyen forrásból történő betöltése, a mélytanulási modellek, például a rekurrens neurális hálózatok és a kauzális konvolúciós hálózati modellek, valamint a gradiensnövelés a feature engineeringgel.

A Machine Learning for Time-Series with Python elméletet ismertet számos hasznos modell mögött, és eligazít a megfelelő modellnek a megfelelő problémához való illesztésében. A könyv valós esettanulmányokat is tartalmaz, amelyek az időjárási, közlekedési, kerékpáros és tőzsdei adatokra vonatkoznak.

A könyv végére már jártas lesz az idősoros adathalmazok hatékony elemzésében a gépi tanulás elvei alapján.

Amit tanulni fog:

⬤ Megtanulja az idősorok főbb osztályait, és megtanulja, hogyan ismerje fel a kiugró értékeket és a mintázatokat.

⬤ Válassza ki a megfelelő módszert az idősoros problémák megoldásához.

⬤ Jellemezze a szezonális és korrelációs mintázatokat autokorrelációs és statisztikai technikák segítségével.

⬤ Kezdje meg az idősoros adatok vizualizációját.

⬤ Klasszikus idősoros modellek, például az ARMA és az ARIMA megértése.

⬤ Mélytanulási modellek, például Gauss-folyamatok és transzformátorok, valamint a legkorszerűbb gépi tanulási modellek alkalmazása.

⬤ Ismerkedjen meg számos könyvtárral, mint például a prophet, az xgboost és a TensorFlow.

Kinek szól ez a könyv:

Ez a könyv ideális az adatelemzők, adattudósok és Python-fejlesztők számára, akik idősoros elemzést szeretnének végezni az eredmények hatékony előrejelzése érdekében. A Python nyelv alapvető ismerete elengedhetetlen. Kívánatos a statisztikával való ismeret.