Apprendimento automatico per le serie temporali con Python: Prevedere, prevedere e rilevare le anomalie con metodi di apprendimento automatico all'avanguardia

Recensioni dei lettori

Il libro “Machine Learning for Time-Series with Python” è apprezzato per la sua introduzione completa alle serie temporali e alle metodologie di apprendimento automatico, soprattutto per i principianti. Include esempi pratici di codifica e copre sia le tecniche classiche che quelle moderne, ma è stato criticato per numerosi errori e incoerenze.

Eccellente manuale di riferimento che copre i modelli di serie temporali classici e moderni con una nuova prospettiva sulla loro combinazione con l'apprendimento automatico.

Scrittura chiara e fluida, con contesto storico e riferimenti accademici che aiutano la comprensione.

(basato su 10 recensioni dei lettori)

Titolo originale:

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

Contenuto del libro:

Diventa abile nel ricavare informazioni dai dati delle serie temporali e nell'analizzare le prestazioni di un modello.

Caratteristiche principali:

⬤ Esplora i metodi di apprendimento automatico più diffusi e moderni, compresi i più recenti algoritmi di apprendimento online e profondo.

⬤ Imparate ad aumentare l'accuratezza delle vostre previsioni abbinando il modello giusto al problema giusto.

⬤ Padroneggiare le serie temporali attraverso casi di studio reali sulla gestione delle operazioni, il marketing digitale, la finanza e la sanità.

Descrizione del libro:

L'apprendimento automatico è emerso come un potente strumento per comprendere le complessità nascoste nelle serie di dati temporali, che spesso devono essere analizzate in settori diversi come la sanità, l'economia, il marketing digitale e le scienze sociali. Questi insiemi di dati sono essenziali per prevedere e predire i risultati o per individuare le anomalie a supporto di un processo decisionale informato.

Questo libro tratta i fondamenti di Python per le serie temporali e sviluppa la comprensione dei modelli autoregressivi tradizionali e dei moderni modelli non parametrici. Diventerete esperti nel caricamento di serie temporali da qualsiasi fonte, nei modelli di deep learning come le reti neurali ricorrenti e i modelli di rete convoluzionale causale, e nel gradient boosting con feature engineering.

Machine Learning for Time-Series with Python spiega la teoria alla base di diversi modelli utili e guida l'utente nell'abbinare il modello giusto al problema giusto. Il libro include anche casi di studio reali che riguardano il meteo, il traffico, la bicicletta e i dati del mercato azionario.

Alla fine di questo libro, sarete in grado di analizzare efficacemente serie di dati temporali con i principi dell'apprendimento automatico.

Che cosa imparerete?

⬤ Comprendere le principali classi di serie temporali e imparare a rilevare gli outlier e i pattern.

⬤ Scegliere il metodo giusto per risolvere i problemi delle serie temporali.

⬤ Caratterizzare i modelli stagionali e di correlazione attraverso l'autocorrelazione e le tecniche statistiche.

⬤ Imparare a gestire la visualizzazione dei dati delle serie temporali.

⬤ Comprendere i modelli classici delle serie temporali come ARMA e ARIMA.

⬤ Implementare modelli di deep learning come processi gaussiani e trasformatori e modelli di machine learning all'avanguardia.

⬤ Prendere confidenza con molte librerie come prophet, xgboost e TensorFlow.

A chi è rivolto questo libro:

Questo libro è ideale per gli analisti di dati, i data scientist e gli sviluppatori Python che desiderano eseguire analisi delle serie temporali per prevedere efficacemente i risultati. La conoscenza di base del linguaggio Python è essenziale. La familiarità con la statistica è auspicabile.