کتاب تجزیه و تحلیل سری زمانی با کتاب آشپزی پایتون: دستور العمل های عملی برای تجزیه و تحلیل داده های اکتشافی ، تهیه داده ها ، پیش بینی و ارزیابی مدل

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

دانلود کتاب Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation

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
نویسندهTarek A. Atwan
ناشرPackt Publishing
ISBN10:1801075549
ISBN13:‎9781801075541

توضیحات کتاب

Perform time series analysis and forecasting confidently with this Python code bank and reference manual 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

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر کتاب اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.