Bewertung:
Das Buch „Machine Learning for Time-Series with Python“ wird für seine umfassende Einführung in Zeitreihen und Methoden des maschinellen Lernens geschätzt, insbesondere für Anfänger. Es enthält praktische Programmierbeispiele und deckt sowohl klassische als auch moderne Techniken ab, wurde aber wegen zahlreicher Fehler und Ungereimtheiten kritisiert.
Vorteile:Hervorragendes Referenzhandbuch, das klassische und moderne Zeitreihenmodelle mit einer neuen Perspektive auf deren Kombination mit maschinellem Lernen abdeckt.
Nachteile:Klarer und flüssiger Schreibstil, mit historischem Kontext und akademischen Referenzen, die das Verständnis erleichtern.
(basierend auf 10 Leserbewertungen)
Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods
Werden Sie geübt in der Ableitung von Erkenntnissen aus Zeitreihendaten und der Analyse der Leistung eines Modells.
Hauptmerkmale:
⬤ Erforschen Sie beliebte und moderne Methoden des maschinellen Lernens, einschließlich der neuesten Online- und Deep-Learning-Algorithmen.
⬤ Lernen Sie, die Genauigkeit Ihrer Vorhersagen zu erhöhen, indem Sie das richtige Modell auf das richtige Problem abstimmen.
⬤ Beherrschen Sie Zeitreihen anhand von realen Fallstudien aus den Bereichen Operations Management, digitales Marketing, Finanzen und Gesundheitswesen.
Buchbeschreibung:
Das maschinelle Lernen hat sich zu einem leistungsstarken Werkzeug entwickelt, um verborgene Komplexitäten in Zeitreihendatensätzen zu verstehen, die häufig in so unterschiedlichen Bereichen wie dem Gesundheitswesen, der Wirtschaft, dem digitalen Marketing und den Sozialwissenschaften analysiert werden müssen. Diese Datensätze sind für die Vorhersage und Prognose von Ergebnissen oder für die Erkennung von Anomalien zur Unterstützung einer fundierten Entscheidungsfindung unerlässlich.
Dieses Buch deckt die Python-Grundlagen für Zeitreihen ab und baut Ihr Verständnis für traditionelle autoregressive Modelle sowie moderne nichtparametrische Modelle auf. Sie werden sicher im Umgang mit dem Laden von Zeitseriendatensätzen aus beliebigen Quellen, mit Deep-Learning-Modellen wie rekurrenten neuronalen Netzen und kausalen Faltungsnetzmodellen sowie mit Gradient Boosting mit Feature Engineering.
Machine Learning for Time-Series with Python erklärt die Theorie hinter verschiedenen nützlichen Modellen und leitet Sie an, das richtige Modell für das richtige Problem zu finden. Das Buch enthält auch Fallstudien aus der Praxis, die Wetter-, Verkehrs-, Fahrrad- und Börsendaten umfassen.
Am Ende dieses Buches werden Sie in der effektiven Analyse von Zeitseriendatensätzen mit den Prinzipien des maschinellen Lernens geübt sein.
Was Sie lernen werden:
⬤ Verstehen Sie die Hauptklassen von Zeitreihen und lernen Sie, wie Sie Ausreißer und Muster erkennen können.
⬤ Wählen Sie die richtige Methode zur Lösung von Zeitreihenproblemen.
⬤ Charakterisierung von saisonalen und Korrelationsmustern durch Autokorrelation und statistische Techniken.
⬤ Mit der Visualisierung von Zeitreihendaten umgehen können.
⬤ Klassische Zeitreihenmodelle wie ARMA und ARIMA verstehen.
⬤ Deep-Learning-Modelle wie Gaußsche Prozesse und Transformatoren sowie moderne maschinelle Lernmodelle implementieren.
⬤ Machen Sie sich mit vielen Bibliotheken wie Prophet, xgboost und TensorFlow vertraut.
Für wen dieses Buch gedacht ist:
Dieses Buch ist ideal für Datenanalysten, Datenwissenschaftler und Python-Entwickler, die Zeitreihenanalysen durchführen möchten, um Ergebnisse effektiv vorherzusagen. Grundlegende Kenntnisse der Sprache Python sind unerlässlich. Vertrautheit mit Statistik ist wünschenswert.
| ISBN: | 9781801819626 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
