Analisi pratica delle serie temporali: Previsione con la statistica e l'apprendimento automatico

Recensioni dei lettori

Il libro offre un'introduzione completa e pratica all'analisi delle serie temporali, ma soffre di problemi di organizzazione e della mancanza di esempi coerenti tra i diversi linguaggi di programmazione.

Stile di scrittura ben organizzato e accessibile, applicazione pratica dei concetti, copre un'ampia gamma di argomenti, è adatto a chi ha un po' di background di codifica e ha una forte rilevanza nel mondo reale.

L'uso di R e Python può confondere i lettori che hanno familiarità con un solo linguaggio, l'organizzazione dei contenuti è incoerente, alcuni esempi di codice sono scritti male o non sono eseguibili, e ci sono affermazioni di verbosità e mancanza di profondità in alcuni argomenti.

(basato su 25 recensioni dei lettori)

Titolo originale:

Practical Time Series Analysis: Prediction with Statistics and Machine Learning

Contenuto del libro:

L'analisi dei dati delle serie temporali è sempre più importante a causa della produzione massiccia di tali dati attraverso l'Internet delle cose, la digitalizzazione dell'assistenza sanitaria e l'ascesa delle città intelligenti. Con la diffusione del monitoraggio continuo e della raccolta di dati, aumenterà la necessità di un'analisi competente delle serie temporali con tecniche sia statistiche che di apprendimento automatico.

Questa guida pratica, che illustra le innovazioni nell'analisi dei dati delle serie temporali e i casi d'uso nel mondo reale, vi aiuterà a risolvere le sfide più comuni dell'ingegneria dei dati e dell'analisi delle serie temporali, utilizzando sia le tradizionali tecniche statistiche sia le moderne tecniche di apprendimento automatico. L'autrice Aileen Nielsen offre un'introduzione accessibile e completa alle serie temporali in R e Python che consentirà a data scientist, ingegneri del software e ricercatori di essere rapidamente operativi.

Riceverete le indicazioni necessarie per:

⬤ Trovare e gestire i dati delle serie temporali.

⬤ Eseguire analisi esplorative di dati di serie temporali.

⬤ Immagazzinare dati temporali.

⬤ Simulare dati di serie temporali.

⬤ Generare e selezionare le caratteristiche di una serie temporale.

⬤ Misurare l'errore.

⬤ Prevedere e classificare le serie temporali con l'apprendimento automatico o profondo.

⬤ Valutare l'accuratezza e le prestazioni.