Analisi delle serie temporali con Python: Dalle basi alle tecniche più avanzate

Recensioni dei lettori

Il libro offre ai lettori un'esperienza mista: alcuni apprezzano la copertura dei concetti di serie temporali, mentre altri criticano la mancanza di spiegazioni e la presenza di errori nel codice. Ci sono problemi significativi con il contesto e il controllo di qualità, che lo rendono meno adatto per un apprendimento serio.

Copre importanti tecniche di serie temporali come ARMA, ARIMA, SARIMA, CNN, RNN e LSTM in un linguaggio semplice. Fornisce materiale originale ed esempi lucidi, utili per i principianti che non hanno familiarità con questi concetti.

Molti lettori hanno trovato le spiegazioni insufficienti, con grandi blocchi di codice forniti senza contesto o chiarimenti. Nel codice sono presenti numerosi errori, tra cui refusi e percorsi errati. Le spiegazioni teoriche sono ritenute troppo elementari, mancano di profondità e non riescono a collegare adeguatamente i concetti.

(basato su 5 recensioni dei lettori)

Titolo originale:

Hands-On Time Series Analysis with Python: From Basics to Bleeding Edge Techniques

Contenuto del libro:

Imparate i concetti delle serie temporali, dalle tecniche tradizionali a quelle più innovative. Questo libro utilizza esempi completi per illustrare chiaramente gli approcci statistici e i metodi di analisi dei dati delle serie temporali e il loro utilizzo nel mondo reale. Tutto il codice è disponibile in Jupyter notebook.

Inizierete con una revisione dei fondamenti delle serie temporali, della struttura dei dati delle serie temporali, della pre-elaborazione e di come creare le caratteristiche attraverso il data wrangling. Successivamente, si analizzeranno le tecniche tradizionali delle serie temporali come ARMA, SARIMAX, VAR e VARMA utilizzando framework di tendenza come StatsModels e pmdarima.

Il libro spiega anche come costruire modelli di classificazione utilizzando sktime e copre tecniche avanzate basate sul deep learning come ANN, CNN, RNN, LSTM, GRU e Autoencoder per risolvere i problemi delle serie temporali utilizzando Tensorflow. Conclude spiegando il popolare framework fbprophet per la modellazione dell'analisi delle serie temporali. Dopo aver letto Hands -On Time Series Analysis with Python, sarete in grado di applicare queste nuove tecniche in settori quali petrolio e gas, robotica, produzione, governo, banche, vendita al dettaglio, sanità e altri ancora.

Cosa imparerete:

- Spiega i concetti di base e avanzati delle serie temporali.

- Come progettare, sviluppare, addestrare e validare le metodologie per le serie temporali.

- Cosa sono le tecniche di smoothing, ARMA, ARIMA, SARIMA, SRIMAX, VAR, VARMA nelle serie temporali e come ottimizzare i parametri per ottenere i migliori risultati.

- Imparare a sfruttare tecniche all'avanguardia come ANN, CNN, RNN, LSTM, GRU, Autoencoder per risolvere problemi univariati e multivariati utilizzando due tipi di metodi di preparazione dei dati per le serie temporali.

- Risoluzione di problemi univariati e multivariati con fbprophet.

Per chi è questo libro?

Scienziati dei dati, analisti dei dati, analisti finanziari e ricercatori del mercato azionario.