توضیحات
Build predictive models from time-based patterns in your data. Master statistical models including new deep learning approaches for time series forecasting.
In Time Series Forecasting in Python you will learn how to:
Recognize a time series forecasting problem and build a performant predictive model
Create univariate forecasting models that account for seasonal effects and external variables
Build multivariate forecasting models to predict many time series at once
Leverage large datasets by using deep learning for forecasting time series
Automate the forecasting process
Time Series Forecasting in Python teaches you to build powerful predictive models from time-based data. Every model you create is relevant, useful, and easy to implement with Python. Youll explore interesting real-world datasets like Googles daily stock price and economic data for the USA, quickly progressing from the basics to developing large-scale models that use deep learning tools like TensorFlow.
Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.
About the technology
You can predict the futurewith a little help from Python, deep learning, and time series data! Time series forecasting is a technique for modeling time-centric data to identify upcoming events. New Python libraries and powerful deep learning tools make accurate time series forecasts easier than ever before.
About the book
Time Series Forecasting in Python teaches you how to get immediate, meaningful predictions from time-based data such as logs, customer analytics, and other event streams. In this accessible book, youll learn statistical and deep learning methods for time series forecasting, fully demonstrated with annotated Python code. Develop your skills with projects like predicting the future volume of drug prescriptions, and youll soon be ready to build your own accurate, insightful forecasts.
What’s inside
Create models for seasonal effects and external variables
Multivariate forecasting models to predict multiple time series
Deep learning for large datasets
Automate the forecasting process
About the reader
For data scientists familiar with Python and TensorFlow.
About the author
Marco Peixeiro is a seasoned data science instructor who has worked as a data scientist for one of Canadas largest banks.
Table of Contents
PART 1 TIME WAITS FOR NO ONE
1 Understanding time series forecasting
2 A naive prediction of the future
3 Going on a random walk
PART 2 FORECASTING WITH STATISTICAL MODELS
4 Modeling a moving average process
5 Modeling an autoregressive process
6 Modeling complex time series
7 Forecasting non-stationary time series
8 Accounting for seasonality
9 Adding external variables to our model
10 Forecasting multiple time series
11 Capstone: Forecasting the number of antidiabetic drug prescriptions in Australia
PART 3 LARGE-SCALE FORECASTING WITH DEEP LEARNING
12 Introducing deep learning for time series forecasting
13 Data windowing and creating baselines for deep learning
14 Baby steps with deep learning
15 Remembering the past with LSTM
16 Filtering a time series with CNN
17 Using predictions to make more predictions
18 Capstone: Forecasting the electric power consumption of a household
PART 4 AUTOMATING FORECASTING AT SCALE
19 Automating time series forecasting with Prophet
20 Capstone: Forecasting the monthly average retail price of steak in Canada
21 Going above and beyond
————————————————————–
ترجمه ماشینی :
مدل های پیش بینی را از الگوهای مبتنی بر زمان در داده های خود بسازید. مدلهای آماری شامل روشهای یادگیری عمیق جدید برای پیشبینی سریهای زمانی.
در پیشبینی سریهای زمانی در پایتون خواهید آموخت که چگونه به:
تشخیص یک مشکل پیشبینی سری زمانی و ساخت یک مدل پیشبینی عملکردی
ایجاد مدلهای پیشبینی تک متغیره که اثرات فصلی و متغیرهای خارجی را در نظر میگیرند
ساخت مدلهای پیشبینی چند متغیره برای پیشبینی چندین سری زمانی در یک زمان< br> با استفاده از یادگیری عمیق برای پیشبینی سریهای زمانی، از مجموعه دادههای بزرگ استفاده کنید
فرآیند پیشبینی را خودکار کنید
پیشبینی سریهای زمانی در پایتون به شما میآموزد که قدرتمند بسازید. مدل های پیش بینی از داده های مبتنی بر زمان هر مدلی که ایجاد میکنید مرتبط، مفید است و پیادهسازی آن با پایتون آسان است. مجموعه دادههای دنیای واقعی جالبی مانند قیمت سهام روزانه Google و دادههای اقتصادی برای ایالات متحده را کاوش خواهید کرد، به سرعت از اصول اولیه به توسعه مدلهای در مقیاس بزرگ که از ابزارهای یادگیری عمیق مانند TensorFlow استفاده میکنند، پیشرفت خواهید کرد.
خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالبهای PDF، Kindle، و ePub از انتشارات Manning.
درباره فناوری
میتوانید با کمک کمی از Python، یادگیری عمیق و دادههای سری زمانی آینده را پیشبینی کنید! پیشبینی سریهای زمانی تکنیکی برای مدلسازی دادههای زمان محور برای شناسایی رویدادهای آینده است. کتابخانههای جدید پایتون و ابزارهای قدرتمند یادگیری عمیق، پیشبینی سریهای زمانی دقیق را آسانتر از همیشه میکنند.
درباره کتاب
پیشبینی سریهای زمانی در پایتون آموزش میدهد. شما چگونه می توانید پیش بینی های فوری و معنی دار را از داده های مبتنی بر زمان مانند گزارش ها، تجزیه و تحلیل مشتری و سایر جریان های رویداد بدست آورید. در این کتاب قابل دسترس، روشهای یادگیری آماری و عمیق برای پیشبینی سریهای زمانی را یاد میگیرید که به طور کامل با کد پایتون مشروح نشان داده شده است. مهارت های خود را با پروژه هایی مانند پیش بینی حجم نسخه های دارو در آینده توسعه دهید، و به زودی آماده خواهید بود تا پیش بینی های دقیق و روشنگرانه خود را بسازید.
آنچه در داخل است
مدل هایی برای اثرات فصلی و متغیرهای خارجی ایجاد کنید.
مدلهای پیشبینی چند متغیره برای پیشبینی سریهای زمانی متعدد
یادگیری عمیق برای مجموعههای داده بزرگ
فرآیند پیشبینی را خودکار کنید
درباره خواننده
برای دانشمندان دادهای که با Python و TensorFlow آشنا هستند.
درباره نویسنده
Marco Peixeiro یک مربی با تجربه علم داده است که به عنوان دانشمند داده برای یکی از بزرگترین بانک های کانادا کار کرده است.
>فهرست مطالب
قسمت 1 زمان برای هیچکس منتظر نمی ماند
1 درک پیش بینی سری های زمانی
2 پیش بینی ساده لوحانه از آینده
3 رفتن به یک پیاده روی تصادفی
قسمت 2 پیش بینی با مدل های آماری
4 مدل سازی یک فرآیند میانگین متحرک
5 مدل سازی یک فرآیند خودبازگشتی
6 مدل سازی سری های زمانی پیچیده
7 پیش بینی سری های زمانی غیر ثابت
8 حسابداری فصلی
9 افزودن متغیرهای خارجی به مدل ما
10 پیش بینی سری های زمانی متعدد
11 Capstone: پیش بینی تعداد نسخه های داروهای ضد دیابت در استرالیا
قسمت 3 پیش بینی در مقیاس بزرگ با یادگیری عمیق
12 معرفی یادگیری عمیق برای پیش بینی سری های زمانی
> 13 پنجره داده و ایجاد خطوط مبنا برای یادگیری عمیق
14 گام های کوچک با یادگیری عمیق
15 به یاد آوردن گذشته با LSTM
16 فیلتر کردن یک سری زمانی با CNN
17 استفاده از پیش بینی ها برای پیش بینی های بیشتر
> 18 Capstone: پیش بینی مصرف برق یک خانوار
قسمت 4 پیش بینی خودکار در مقیاس
19 خودکار پیش بینی سری های زمانی با پیامبر
20 Capstone: پیش بینی میانگین قیمت خرده فروشی ماهیانه استیک در کانادا
21 فراتر و فراتر رفتن
tag : دانلود کتاب پیش بینی سری های زمانی در پایتون , Download پیش بینی سری های زمانی در پایتون , دانلود پیش بینی سری های زمانی در پایتون , Download Time Series Forecasting in Python Book , پیش بینی سری های زمانی در پایتون دانلود , buy پیش بینی سری های زمانی در پایتون , خرید کتاب پیش بینی سری های زمانی در پایتون , دانلود کتاب Time Series Forecasting in Python , کتاب Time Series Forecasting in Python , دانلود Time Series Forecasting in Python , خرید Time Series Forecasting in Python , خرید کتاب Time Series Forecasting in Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.