عنوان کتاب به انگلیسی: |
Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation |
| سال انتشار: 2022 | 630 صفحه | حجم فایل: 39 مگابایت | زبان: انگلیسی |
| نویسنده | Tarek A. Atwan |
| ناشر | Packt Publishing |
| ISBN10: | 1801075549 |
| ISBN13: | 9781801075541 |
توضیحات کتاب
Key Features
Explore forecasting and anomaly detection techniques using statistical, machine learning, and deep learning algorithms
Learn different techniques for evaluating, diagnosing, and optimizing your models
Work with a variety of complex data with trends, multiple seasonal patterns, and irregularities
Book Description
Time series data is everywhere, available at a high frequency and volume. It is complex and can contain noise, irregularities, and multiple patterns, making it crucial to be well-versed with the techniques covered in this book for data preparation, analysis, and forecasting.
This book covers practical techniques for working with time series data, starting with ingesting time series data from various sources and formats, whether in private cloud storage, relational databases, non-relational databases, or specialized time series databases such as InfluxDB. Next, you’ll learn strategies for handling missing data, dealing with time zones and custom business days, and detecting anomalies using intuitive statistical methods, followed by more advanced unsupervised ML models. The book will also explore forecasting using classical statistical models such as Holt-Winters, SARIMA, and VAR. The recipes will present practical techniques for handling non-stationary data, using power transforms, ACF and PACF plots, and decomposing time series data with multiple seasonal patterns. Later, you’ll work with ML and DL models using TensorFlow and PyTorch.
Finally, you’ll learn how to evaluate, compare, optimize models, and more using the recipes covered in the book.
What you will learn
Understand what makes time series data different from other data
Apply various imputation and interpolation strategies for missing data
Implement different models for univariate and multivariate time series
Use different deep learning libraries such as TensorFlow, Keras, and PyTorch
Plot interactive time series visualizations using hvPlot
Explore state-space models and the unobserved components model (UCM)
Detect anomalies using statistical and machine learning methods
Forecast complex time series with multiple seasonal patterns
Who this book is for
This book is for data analysts, business analysts, data scientists, data engineers, or Python developers who want practical Python recipes for time series analysis and forecasting techniques. Fundamental knowledge of Python programming is required. Although having a basic math and statistics background will be beneficial, it is not necessary. Prior experience working with time series data to solve business problems will also help you to better utilize and apply the different recipes in this book.
Table of Contents
Getting Started with Time Series Analysis
Reading Time Series Data from Files
Reading Time Series Data from Databases
Persisting Time Series Data to Files
Persisting Time Series Data to Databases
Working with Date and Time in Python
Handling Missing Data
Outlier Detection Using Statistical Methods
Exploratory Data Analysis and Diagnosis
Building Univariate Time Series Models Using Statistical Methods
Additional Statistical Modeling Techniques for Time Series
Forecasting Using Supervised Machine Learning
Deep Learning for Time Series Forecasting
Outlier Detection Using Unsupervised Machine Learning
Advanced Techniques for Complex Time Series
توضیحات کتاب به فارسی (ترجمه ماشینی)
تجزیه و تحلیل سری زمانی و پیش بینی را با اطمینان با این بانک کد پایتون و کتابچه راهنمای مرجع انجام دهید
ویژگی های کلیدی
تکنیک های تشخیص پیش بینی و ناهنجاری را با استفاده از الگوریتم های آماری ، یادگیری ماشین و یادگیری عمیق کاوش کنید
تکنیک های مختلفی را برای ارزیابی ، تشخیص و بهینه سازی مدل های خود بیاموزید
با انواع داده های پیچیده با روند ، الگوهای فصلی متعدد و بی نظمی کار کنید
توضیحات کتاب
داده های سری زمانی در همه جا ، با فرکانس و حجم بالا موجود است.این پیچیده است و می تواند حاوی نویز ، بی نظمی و الگوهای مختلف باشد ، و این امر باعث می شود که با تکنیک های تحت پوشش این کتاب برای تهیه ، تجزیه و تحلیل و پیش بینی داده ها ، آراسته باشد.
این کتاب تکنیک های عملی برای کار با داده های سری زمانی را شامل می شود ، با شروع داده های سری زمانی از منابع و قالب های مختلف ، اعم از ذخیره سازی ابری خصوصی ، پایگاه داده های رابطه ای ، پایگاه داده های غیر مرتبط یا پایگاه داده های تخصصی سری مانند INFLUXDB.در مرحله بعد ، شما استراتژی هایی را برای رسیدگی به داده های مفقود شده ، برخورد با مناطق زمانی و روزهای کاری سفارشی و تشخیص ناهنجاری ها با استفاده از روشهای آماری بصری ، و به دنبال آن مدل های ML بدون نظارت پیشرفته تر می آموزید.این کتاب همچنین با استفاده از مدلهای آماری کلاسیک مانند Holt-Winters ، Sarima و Var پیش بینی می کند.این دستور العمل ها تکنیک های عملی را برای دستیابی به داده های غیر ثابت ، با استفاده از تبدیل قدرت ، توطئه های ACF و PACF و تجزیه داده های سری زمانی با چندین الگوی فصلی ارائه می دهند.بعداً با مدل های ML و DL با استفاده از Tensorflow و Pytorch کار خواهید کرد.
سرانجام ، شما می آموزید که چگونه با استفاده از دستور العمل های تحت پوشش در کتاب ، مدل ها را ارزیابی ، مقایسه ، بهینه سازی و بیشتر کنید.
آنچه یاد خواهید گرفت
درک کنید چه چیزی داده های سری زمانی را با سایر داده ها متفاوت می کند
برای داده های گمشده استراتژی های مختلف و درون یابی را اعمال کنید
مدلهای مختلفی را برای سری زمانی تک متغیره و چند متغیره پیاده سازی کنید
از کتابخانه های مختلف یادگیری عمیق مانند Tensorflow ، Keras و Pytorch استفاده کنید
طرح تجسم سری زمانی تعاملی با استفاده از hvplot
مدل های فضای حالت و مدل اجزای بدون نظارت (UCM) را کاوش کنید
ناهنجاری ها را با استفاده از روشهای آماری و یادگیری ماشین تشخیص دهید
پیش بینی سری زمانی پیچیده با چندین الگوی فصلی
این کتاب برای چه کسی است
این کتاب برای تحلیلگران داده ، تحلیلگران تجارت ، دانشمندان داده ، مهندسین داده یا توسعه دهندگان پایتون است که می خواهند دستور العمل های عملی پایتون برای تجزیه و تحلیل سری زمانی و تکنیک های پیش بینی داشته باشند.دانش اساسی برنامه نویسی پایتون مورد نیاز است.اگرچه داشتن سابقه ریاضی و آمار اساسی مفید خواهد بود ، اما لازم نیست.تجربه قبلی کار با داده های سری زمانی برای حل مشکلات تجاری نیز به شما کمک می کند تا از بهتر و استفاده از دستور العمل های مختلف در این کتاب استفاده کنید.
فهرست مطالب
شروع با تجزیه و تحلیل سری زمانی
خواندن داده های سری زمانی از پرونده ها
خواندن داده های سری زمانی از پایگاه داده ها
ماندگاری داده های سری زمانی به پرونده ها
داده های سری زمانی مداوم به پایگاه داده ها
کار با تاریخ و زمان در پایتون
رسیدگی به داده های گمشده
تشخیص دورتر با استفاده از روشهای آماری
تجزیه و تحلیل داده های اکتشافی و تشخیص
ساخت مدل های سری زمانی یک متغیره با استفاده از روش های آماری
تکنیک های مدل سازی آماری اضافی برای سری زمانی
پیش بینی با استفاده از یادگیری ماشین نظارت شده
یادگیری عمیق برای پیش بینی سریال های زمانی
تشخیص دورتر با استفاده از یادگیری ماشین بدون نظارت
تکنیک های پیشرفته برای سری زمانی پیچیده
| این محصول به صورت دانلودی می باشد و بلافاصله پس از پرداخت موفق قادر به دانلود خواهید بود |
| درج شماره موبایل برای سفارش ضروری نیست ولی ترجیح آن است درج گردد تا در صورت بروز مشکل اولین راه ارتباطی ما با شما باشد. |
|
چنانچه در دریافت محصول به هر دلیلی با مشکل روبرو شدید و مطمئن از پرداخت موفق وجه هستید به شماره تماس زیر نام، نام خانوادگی و نام محصول را پیامک بزنید تا لینک محصول سریعا برای شما ارسال گردد.
شماره تماس: 09395106248 |
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.