Bewertung:
Das Buch wird als einsteigerfreundliche Einführung in Algorithmen des maschinellen Lernens für Prognosen mit klaren Erklärungen und Python-Beispielen gut aufgenommen. Es wurde jedoch kritisiert, dass es nicht wirklich fortgeschritten ist, unnötige Wiederholungen enthält und eine bessere Bearbeitung erfordert.
Vorteile:⬤ Ausgezeichnete Einführung in die Zeitreihenanalyse
⬤ klare Erklärungen der Konzepte
⬤ praktische Python-Code-Beispiele
⬤ gute Abfolge der Themen
⬤ wertvoll für Anfänger.
⬤ Nicht wirklich fortgeschritten, wie der Titel suggeriert
⬤ sich wiederholender Inhalt
⬤ benötigt besseres Lektorat
⬤ einige Kapitel fühlen sich oberflächlich an
⬤ es fehlt an professionellen Anekdoten
⬤ unzureichender Modellvergleich.
(basierend auf 10 Leserbewertungen)
Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar
Behandelt werden alle Techniken des maschinellen Lernens, die für Prognoseprobleme relevant sind, von univariaten und multivariaten Zeitreihen über überwachtes Lernen bis hin zu modernsten Deep-Prognose-Modellen wie LSTMs, rekurrenten neuronalen Netzen, dem Open-Source-Modell Prophet von Facebook und dem DeepAR-Modell von Amazon.
Anstatt sich auf eine bestimmte Gruppe von Modellen zu konzentrieren, bietet dieses Buch einen umfassenden Überblick über alle Techniken, die für Praktiker im Bereich der Prognosen relevant sind. Zunächst werden die verschiedenen Kategorien von Modellen, die für Prognosen relevant sind, in einer Hochsprache erläutert. Anschließend werden univariate und multivariate Zeitreihenmodelle behandelt, gefolgt von fortgeschrittenen Modellen des maschinellen Lernens und des Deep Learning. Abschließend werden Überlegungen zur Modellauswahl angestellt, wie z. B. Benchmark-Scores vs. Verständlichkeit von Modellen vs. Rechenzeit und automatisches Umlernen und Aktualisieren von Modellen.
Jedes der in diesem Buch vorgestellten Modelle wird eingehend behandelt, mit einer intuitiven, einfachen Erklärung des Modells, einer mathematischen Umsetzung der Idee und Python-Code, der das Modell auf einen Beispieldatensatz anwendet.
Die Lektüre dieses Buches wird Ihren derzeitigen Prognosefähigkeiten einen Wettbewerbsvorteil verschaffen. Das Buch ist auch für diejenigen geeignet, die vor kurzem mit Prognoseaufgaben begonnen haben und ein umfassendes Buch suchen, das es ihnen ermöglicht, mit traditionellen Modellen zu beginnen und allmählich zu immer fortgeschritteneren Modellen überzugehen.
(Was Sie lernen werden)
⬤ Prognosen mit Python erstellen.
⬤ Mathematisches und intuitives Verständnis traditioneller Prognosemodelle und moderner maschineller Lerntechniken.
⬤ Sie erlernen die Grundlagen der Prognose und des maschinellen Lernens, einschließlich der Bewertung von Modellen, Kreuzvalidierung und Backtesting.
⬤ Wählen Sie das richtige Modell für den richtigen Anwendungsfall.
Für wen dieses Buch gedacht ist.
Der fortgeschrittene Charakter der späteren Kapitel macht das Buch relevant für angewandte Experten, die im Bereich der Prognosen arbeiten, da die behandelten Modelle erst kürzlich veröffentlicht wurden. Experten, die in diesem Bereich tätig sind, werden ihre Kenntnisse auf den neuesten Stand bringen wollen, da die traditionellen Modelle regelmäßig von neueren Modellen übertroffen werden.
| ISBN: | 9781484271490 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 296 |
Derzeit verfügbar, auf Lager.
