Bewertung:
Das Buch wird allgemein für seinen strukturierten Ansatz zur Vermittlung von Zeitreihenprognosen gelobt, der von grundlegenden Konzepten ausgeht und schrittweise zu fortgeschritteneren Themen übergeht. Es wird besonders dafür gelobt, dass es anfängerfreundlich ist und den Python-Code klar erklärt. Einige Leser sind jedoch der Meinung, dass es bei den fortgeschritteneren Themen an Tiefe mangelt, dass es nicht lehrt, wie man über die verfügbaren Datensätze hinaus Prognosen erstellt, und dass es sich inhaltlich wiederholt. Insgesamt ist das Buch eine gute Einführung, wird aber möglicherweise denjenigen nicht gerecht, die eine umfassendere Behandlung wünschen.
Vorteile:⬤ Sehr praktisch und leicht zu verstehen, besonders für Anfänger.
⬤ Erläutert Konzepte und Python-Code fast Zeile für Zeile.
⬤ Deckt eine Reihe von Themen ab, von klassischen bis zu modernen Methoden des maschinellen Lernens.
⬤ Verwendet Flussdiagramme und Illustrationen, um Konzepte zu verdeutlichen.
⬤ Geeignet für nicht-technische Leser und solche, die neu in der Zeitreihenprognose sind.
⬤ Der Sprung zu fortgeschrittenen Themen des maschinellen Lernens ist für einige Leser zu früh.
⬤ Es fehlt eine Anleitung, wie man über den verfügbaren Datensatz hinaus Prognosen erstellen kann.
⬤ Einige Code-Beispiele funktionieren nicht und erfordern einen Blick auf eine separate GitHub-Seite.
⬤ Enthält sich wiederholende Inhalte, wodurch das Buch für seinen Preis unnötig lang erscheint.
(basierend auf 9 Leserbewertungen)
Time Series Forecasting in Python
Erstellen Sie Vorhersagemodelle aus zeitbasierten Mustern in Ihren Daten. Beherrschen Sie statistische Modelle einschließlich neuer Deep-Learning-Ansätze für die Zeitreihenprognose.
In Time Series Forecasting in Python lernen Sie, wie man:
ein Problem der Zeitreihenprognose zu erkennen und ein leistungsfähiges Vorhersagemodell zu erstellen.
Univariate Prognosemodelle zu erstellen, die saisonale Effekte und externe Variablen berücksichtigen.
Multivariate Prognosemodelle zu erstellen, um viele Zeitreihen gleichzeitig vorherzusagen.
Nutzen Sie große Datensätze durch den Einsatz von Deep Learning für die Prognose von Zeitreihen.
Automatisieren Sie den Vorhersageprozess.
Mit Time Series Forecasting in Python lernen Sie, leistungsstarke Prognosemodelle aus zeitbasierten Daten zu erstellen. Jedes Modell, das Sie erstellen, ist relevant, nützlich und mit Python leicht zu implementieren. Sie erforschen interessante reale Datensätze wie den täglichen Google-Aktienkurs und Wirtschaftsdaten für die USA und gelangen schnell von den Grundlagen zur Entwicklung großer Modelle, die Deep-Learning-Tools wie TensorFlow nutzen.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie.
Sie können die Zukunft vorhersagen - mit ein wenig Hilfe von Python, Deep Learning und Zeitreihendaten! Die Zeitreihenprognose ist eine Technik zur Modellierung zeitzentrierter Daten, um kommende Ereignisse zu erkennen. Neue Python-Bibliotheken und leistungsstarke Deep-Learning-Tools machen genaue Zeitreihenprognosen einfacher als je zuvor.
Über dieses Buch.
Time Series Forecasting in Python zeigt Ihnen, wie Sie sofortige, aussagekräftige Vorhersagen aus zeitbasierten Daten wie Logs, Kundenanalysen und anderen Ereignisströmen erhalten. In diesem leicht verständlichen Buch lernen Sie statistische und Deep-Learning-Methoden für Zeitreihenvorhersagen kennen, die anhand von kommentiertem Python-Code vollständig demonstriert werden. Entwickeln Sie Ihre Fähigkeiten anhand von Projekten wie der Vorhersage des zukünftigen Volumens von Medikamentenverschreibungen, und Sie werden bald in der Lage sein, Ihre eigenen präzisen, aufschlussreichen Prognosen zu erstellen.
Was drin ist.
Erstellen Sie Modelle für saisonale Effekte und externe Variablen.
Multivariate Prognosemodelle zur Vorhersage mehrerer Zeitreihen.
Deep Learning für große Datensätze.
Automatisieren Sie den Prognoseprozess.
Über den Leser.
Für Datenwissenschaftler, die mit Python und TensorFlow vertraut sind.
Über den Autor.
Marco Peixeiro ist ein erfahrener Data-Science-Dozent, der als Data Scientist für eine der größten kanadischen Banken gearbeitet hat.
Inhaltsverzeichnis.
TEIL 1 DIE ZEIT WARTET AUF NIEMANDEN.
1 Verständnis der Zeitreihenprognose.
2 Eine naive Vorhersage der Zukunft.
3 Ein Spaziergang nach dem Zufallsprinzip.
TEIL 2 PROGNOSEN MIT STATISTISCHEN MODELLEN.
4 Modellierung eines gleitenden Durchschnittsprozesses.
5 Modellierung eines autoregressiven Prozesses.
6 Modellierung komplexer Zeitreihen.
7 Vorhersage von nicht-stationären Zeitreihen.
8 Berücksichtigung von Saisonalität.
9 Hinzufügen von externen Variablen zu unserem Modell.
10 Vorhersage von mehreren Zeitreihen.
11 Schlussstein: Vorhersage der Anzahl der Verschreibungen von Antidiabetika in Australien.
TEIL 3 GROSS ANGELEGTE PROGNOSEN MIT DEEP LEARNING.
12 Einführung in das Deep Learning für Zeitreihenprognosen.
13 Datenfenster und Erstellung von Baselines für Deep Learning.
14 Kleine Schritte mit Deep Learning.
15 Erinnern an die Vergangenheit mit LSTM.
16 Filtern einer Zeitreihe mit CNN.
17 Vorhersagen nutzen, um mehr Vorhersagen zu machen.
18 Schlussstein: Vorhersage des Stromverbrauchs eines Haushalts.
TEIL 4 AUTOMATISIERUNG VON VORHERSAGEN IN GROSSEM UMFANG.
19 Automatisieren von Zeitreihenvorhersagen mit Prophet.
20 Schlussstein: Vorhersage des durchschnittlichen monatlichen Einzelhandelspreises für Steak in Kanada.
21 Über den Tellerrand schauen.
| ISBN: | 9781617299889 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2022 |
| Seitenzahl: | 456 |
Derzeit verfügbar, auf Lager.
