Previsioni avanzate con Python: Con lo stato dell'arte dei modelli, inclusi Lstms, Prophet di Facebook e Deepar di Amazon

Recensioni dei lettori

Il libro è stato accolto positivamente come un'introduzione facile per i principianti agli algoritmi di apprendimento automatico per le previsioni, fornendo spiegazioni chiare ed esempi in Python. Tuttavia, è stato criticato perché non è veramente avanzato, contiene ripetizioni non necessarie e richiede un editing migliore.

⬤ Eccellente introduzione all'analisi delle serie temporali
⬤ spiegazioni chiare dei concetti
⬤ esempi pratici di codice Python
⬤ buona progressione degli argomenti
⬤ prezioso per i principianti.

⬤ Non è veramente avanzato come suggerisce il titolo
⬤ contenuto ripetitivo
⬤ necessita di una migliore redazione
⬤ alcuni capitoli sembrano superficiali
⬤ manca di aneddoti professionali
⬤ insufficiente confronto tra modelli.

(basato su 10 recensioni dei lettori)

Titolo originale:

Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar

Contenuto del libro:

Copre tutte le tecniche di apprendimento automatico rilevanti per i problemi di previsione, dalle serie temporali univariate e multivariate all'apprendimento supervisionato, fino ai modelli di previsione profonda più avanzati, come le LSTM, le reti neurali ricorrenti, il modello Prophet open-source di Facebook e il modello DeepAR di Amazon.

Invece di concentrarsi su una serie specifica di modelli, questo libro presenta una panoramica esaustiva di tutte le tecniche rilevanti per i professionisti della previsione. Inizia spiegando le diverse categorie di modelli rilevanti per le previsioni in un linguaggio di alto livello. Successivamente, vengono trattati i modelli di serie temporali univariate e multivariate, seguiti dai modelli avanzati di apprendimento automatico e di deep learning. Il libro si conclude con riflessioni sulla selezione dei modelli, come i punteggi di benchmark, la comprensibilità dei modelli e il tempo di calcolo, nonché la riqualificazione e l'aggiornamento automatico dei modelli.

Ciascuno dei modelli presentati in questo libro è trattato in modo approfondito, con una semplice spiegazione intuitiva del modello, una trascrizione matematica dell'idea e un codice Python che applica il modello a un set di dati di esempio.

La lettura di questo libro aggiungerà un vantaggio competitivo alle vostre attuali competenze in materia di previsioni. Il libro è adatto anche a coloro che hanno iniziato da poco a lavorare su attività di previsione e sono alla ricerca di un libro esaustivo che permetta loro di iniziare con modelli tradizionali e di passare gradualmente a modelli sempre più avanzati.

Cosa imparerete

⬤ Realizzare previsioni con Python.

⬤ Comprendere in modo matematico e intuitivo i modelli di previsione tradizionali e le tecniche di apprendimento automatico più avanzate.

⬤ Apprendere le basi della previsione e dell'apprendimento automatico, compresa la valutazione dei modelli, la convalida incrociata e il back testing.

⬤ Scegliere il modello giusto per il caso d'uso giusto.

Per chi è questo libro.

La natura avanzata dei capitoli successivi rende il libro rilevante per gli esperti applicati che lavorano nel campo delle previsioni, poiché i modelli trattati sono stati pubblicati solo di recente. Gli esperti che lavorano nel settore vorranno aggiornare le proprie competenze, poiché i modelli tradizionali vengono regolarmente superati da modelli più recenti.