Analyse des séries temporelles avec Python : Des bases aux techniques de pointe

Avis des lecteurs

Résumé:

Le livre offre une expérience mitigée aux lecteurs, certains appréciant sa couverture des concepts de séries temporelles tandis que d'autres critiquent le manque d'explications et la présence d'erreurs dans le code. Le contexte et le contrôle de la qualité posent des problèmes importants, ce qui le rend moins adapté à un apprentissage sérieux.

Avantages:

Couvre d'importantes techniques de séries temporelles comme ARMA, ARIMA, SARIMA, CNN, RNN et LSTM dans un langage simple. Il fournit un matériel original et des exemples lucides qui sont bénéfiques pour les débutants qui ne sont pas familiers avec ces concepts.

Inconvénients:

De nombreux lecteurs ont trouvé les explications insuffisantes, avec de grands blocs de code fournis sans contexte ni clarification. Le code comporte de nombreuses erreurs, notamment des fautes de frappe et des chemins incorrects. Les explications théoriques sont jugées trop basiques, manquant de profondeur et ne reliant pas les concepts de manière adéquate.

(basé sur 5 avis de lecteurs)

Titre original :

Hands-On Time Series Analysis with Python: From Basics to Bleeding Edge Techniques

Contenu du livre :

Apprenez les concepts des séries temporelles, des techniques traditionnelles aux techniques de pointe. Ce livre utilise des exemples complets pour illustrer clairement les approches statistiques et les méthodes d'analyse des données de séries temporelles et leur utilisation dans le monde réel. Tout le code est disponible dans les notebooks Jupyter.

Vous commencerez par revoir les principes fondamentaux des séries temporelles, la structure des données de séries temporelles, le prétraitement et la façon de créer les caractéristiques par le biais de la manipulation des données. Ensuite, vous examinerez les techniques traditionnelles de séries temporelles comme ARMA, SARIMAX, VAR et VARMA en utilisant des cadres de tendances comme StatsModels et pmdarima.

Le livre explique également la construction de modèles de classification en utilisant sktime, et couvre les techniques avancées basées sur l'apprentissage profond comme ANN, CNN, RNN, LSTM, GRU et Autoencoder pour résoudre les problèmes de séries temporelles en utilisant Tensorflow. Il conclut en expliquant le cadre populaire fbprophet pour la modélisation de l'analyse des séries temporelles. Après avoir lu Hands -On Time Series Analysis with Python, vous serez en mesure d'appliquer ces nouvelles techniques dans des secteurs tels que le pétrole et le gaz, la robotique, la fabrication, le gouvernement, la banque, la vente au détail, les soins de santé, et plus encore.

Ce que vous apprendrez :

- Explique les concepts de base et avancés des séries temporelles.

- Comment concevoir, développer, former et valider des méthodologies de séries temporelles.

- Quelles sont les techniques de lissage, ARMA, ARIMA, SARIMA, SRIMAX, VAR, VARMA dans les séries temporelles et comment ajuster les paramètres de manière optimale pour obtenir les meilleurs résultats.

- Apprenez à exploiter les techniques de pointe telles que ANN, CNN, RNN, LSTM, GRU, Autoencoder pour résoudre les problèmes univariés et multivariés en utilisant deux types de méthodes de préparation des données pour les séries temporelles.

- Résolution de problèmes univariés et multivariés avec fbprophet.

A qui s'adresse ce livre ?

Les data scientists, les analystes de données, les analystes financiers et les chercheurs en bourse.

Autres informations sur le livre :

• ISBN : 9781484259917
• Auteur : V. Vishwas B.
• Éditeur : Apress
• Reliure : Broché
• Année de publication : 2020
• Nombre de pages : 407