Bewertung:
Das Buch bietet eine gemischte Erfahrung für die Leser, wobei einige die Abdeckung von Zeitreihenkonzepten schätzen, während andere den Mangel an Erklärungen und das Vorhandensein von Fehlern im Code kritisieren. Es gibt erhebliche Probleme mit dem Kontext und der Qualitätskontrolle, was es weniger geeignet für ernsthaftes Lernen macht.
Vorteile:Behandelt wichtige Zeitreihenverfahren wie ARMA, ARIMA, SARIMA, CNN, RNN und LSTM in einfacher Sprache. Es bietet Originalmaterial und anschauliche Beispiele, die für Anfänger, die mit diesen Konzepten nicht vertraut sind, von Vorteil sind.
Nachteile:Viele Leser empfanden die Erklärungen als unzureichend, da große Codeblöcke ohne Kontext oder Erläuterung geliefert wurden. Der Code enthält zahlreiche Fehler, darunter Tippfehler und falsche Pfade. Die theoretischen Erklärungen werden als zu grundlegend empfunden, da es ihnen an Tiefe fehlt und sie die Konzepte nicht angemessen miteinander verbinden.
(basierend auf 5 Leserbewertungen)
Hands-On Time Series Analysis with Python: From Basics to Bleeding Edge Techniques
Lernen Sie die Konzepte von Zeitreihen von traditionellen bis hin zu modernsten Techniken kennen. Dieses Buch verwendet umfassende Beispiele, um statistische Ansätze und Methoden zur Analyse von Zeitreihendaten und deren Nutzung in der realen Welt zu veranschaulichen. Der gesamte Code ist in Jupyter-Notebooks verfügbar.
Zu Beginn werden die Grundlagen von Zeitreihen, die Struktur von Zeitreihendaten, die Vorverarbeitung und die Erstellung von Merkmalen durch Data Wrangling behandelt. Als Nächstes befassen Sie sich mit traditionellen Zeitreihentechniken wie ARMA, SARIMAX, VAR und VARMA unter Verwendung von Trending Frameworks wie StatsModels und pmdarima.
Das Buch erklärt auch den Aufbau von Klassifizierungsmodellen mit sktime und behandelt fortgeschrittene Deep-Learning-basierte Techniken wie ANN, CNN, RNN, LSTM, GRU und Autoencoder zur Lösung von Zeitreihenproblemen mit Tensorflow. Abschließend wird das beliebte Framework fbprophet für die Modellierung von Zeitreihenanalysen erklärt. Nach der Lektüre von Hands-On Time Series Analysis with Python werden Sie in der Lage sein, diese neuen Techniken in Branchen wie Öl und Gas, Robotik, Fertigung, Regierung, Banken, Einzelhandel, Gesundheitswesen und mehr anzuwenden.
Was Sie lernen werden:
- Erklärt die Grundlagen und fortgeschrittenen Konzepte von Zeitreihen.
- Wie man Zeitreihen-Methoden konzipiert, entwickelt, trainiert und validiert.
- Was sind Glättungs-, ARMA-, ARIMA-, SARIMA-, SRIMAX-, VAR-, VARMA-Techniken in Zeitreihen und wie man die Parameter optimal abstimmt, um beste Ergebnisse zu erzielen.
- Lernen Sie, wie Sie modernste Techniken wie ANN, CNN, RNN, LSTM, GRU, Autoencoder nutzen können, um sowohl univariate als auch multivariate Probleme zu lösen, indem Sie zwei Arten von Datenaufbereitungsmethoden für Zeitreihen verwenden.
- Univariate und multivariate Problemlösung mit fbprophet.
Für wen ist dieses Buch gedacht?
Datenwissenschaftler, Datenanalysten, Finanzanalysten und Börsenforscher.
| ISBN: | 9781484259917 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 407 |
Derzeit verfügbar, auf Lager.
