Peramalan Deret Waktu di Python

Recensioni dei lettori

Il libro è generalmente apprezzato per il suo approccio strutturato all'insegnamento delle previsioni delle serie temporali, che parte dai concetti di base per arrivare gradualmente ad argomenti più avanzati. È particolarmente apprezzato per la sua facilità di utilizzo da parte dei principianti e per la spiegazione chiara del codice Python. Tuttavia, alcuni lettori ritengono che manchi di profondità negli argomenti più avanzati, che non insegni come fare previsioni al di là dei dataset disponibili e che abbia contenuti ripetitivi. Nel complesso, si tratta di una buona introduzione, ma potrebbe non soddisfare chi cerca una trattazione più completa.

⬤ Molto pratico e facile da seguire, soprattutto per i principianti.
⬤ Spiega chiaramente i concetti e il codice Python quasi riga per riga.
⬤ Copre una vasta gamma di argomenti, dai metodi classici a quelli moderni di apprendimento automatico.
⬤ Utilizza diagrammi di flusso e illustrazioni per chiarire i concetti.
⬤ Adatto a lettori non tecnici e a chi è alle prime armi con le previsioni delle serie temporali.

⬤ Il salto agli argomenti avanzati dell'apprendimento automatico è troppo precoce per alcuni lettori.
⬤ Mancano istruzioni su come fare previsioni al di là dell'insieme dei dati disponibili.
⬤ Alcuni esempi di codice non funzionano e richiedono la consultazione di una pagina GitHub separata.
⬤ Contiene contenuti ripetitivi che lo fanno sembrare inutilmente lungo per il suo prezzo.

(basato su 9 recensioni dei lettori)

Titolo originale:

Time Series Forecasting in Python

Contenuto del libro:

Costruire modelli predittivi a partire da schemi temporali nei dati. Padroneggiate i modelli statistici, compresi i nuovi approcci di deep learning per la previsione delle serie temporali.

In Time Series Forecasting in Python imparerete a:

Riconoscere un problema di previsione delle serie temporali e costruire un modello predittivo performante.

Creare modelli di previsione univariati che tengano conto degli effetti stagionali e delle variabili esterne.

Costruire modelli di previsione multivariati per prevedere molte serie temporali contemporaneamente.

Sfruttare grandi insiemi di dati utilizzando il deep learning per la previsione delle serie temporali.

Automatizzare il processo di previsione.

Time Series Forecasting in Python vi insegna a costruire potenti modelli di previsione a partire da dati temporali. Ogni modello creato è rilevante, utile e facile da implementare con Python. Esplorerete interessanti serie di dati del mondo reale, come il prezzo giornaliero delle azioni di Google e i dati economici degli Stati Uniti, passando rapidamente dalle basi allo sviluppo di modelli su larga scala che utilizzano strumenti di deep learning come TensorFlow.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia.

È possibile prevedere il futuro, con un piccolo aiuto da parte di Python, del deep learning e dei dati delle serie temporali! La previsione delle serie temporali è una tecnica di modellazione dei dati incentrati sul tempo per identificare gli eventi imminenti. Le nuove librerie Python e i potenti strumenti di deep learning rendono le previsioni accurate delle serie temporali più facili che mai.

Informazioni sul libro.

Time Series Forecasting in Python vi insegna come ottenere previsioni immediate e significative da dati basati sul tempo come log, analisi dei clienti e altri flussi di eventi. In questo libro accessibile, imparerete i metodi statistici e di deep learning per la previsione delle serie temporali, completamente dimostrati con codice Python annotato. Sviluppate le vostre capacità con progetti come la previsione del volume futuro delle prescrizioni di farmaci e sarete presto pronti a costruire le vostre previsioni accurate e perspicaci.

Cosa contiene.

Creare modelli per gli effetti stagionali e le variabili esterne.

Modelli di previsione multivariata per prevedere più serie temporali.

Apprendimento profondo per grandi insiemi di dati.

Automatizzare il processo di previsione.

Il lettore.

Per gli scienziati dei dati che hanno familiarità con Python e TensorFlow.

Informazioni sull'autore.

Marco Peixeiro è un esperto istruttore di scienza dei dati che ha lavorato come data scientist per una delle maggiori banche canadesi.

Indice dei contenuti.

PARTE 1 IL TEMPO NON ASPETTA NESSUNO.

1 Capire le previsioni delle serie temporali.

2 Una previsione ingenua del futuro.

3 Una passeggiata casuale.

PARTE 2 PREVISIONI CON MODELLI STATISTICI.

4 Modellazione di un processo di media mobile.

5 Modellazione di un processo autoregressivo.

6 Modellizzazione di serie temporali complesse.

7 Previsione di serie temporali non stazionarie.

8 Contabilizzazione della stagionalità.

9 Aggiunta di variabili esterne al modello.

10 Previsione di serie temporali multiple.

11 Capstone: Previsione del numero di prescrizioni di farmaci antidiabetici in Australia.

PARTE 3 PREVISIONI SU LARGA SCALA CON IL DEEP LEARNING.

12 Introduzione al deep learning per la previsione delle serie temporali.

13 Finestra dei dati e creazione di linee di base per il deep learning.

14 Passi piccoli con il deep learning.

15 Ricordare il passato con LSTM.

16 Filtrare una serie temporale con la CNN.

17 Usare le previsioni per fare altre previsioni.

18 Capstone: Previsione del consumo di energia elettrica di una famiglia.

PARTE 4 AUTOMATIZZAZIONE DELLE PREVISIONI SU SCALA.

19 Automatizzare le previsioni delle serie temporali con Prophet.

20 Capstone: Previsione del prezzo medio mensile al dettaglio della bistecca in Canada.

21 Andare oltre.