Machine Learning for Time-Series with Python (Apprentissage automatique des séries temporelles avec Python) : Prévoir, prédire et détecter les anomalies à l'aide de méthodes d'apprentissage automatique de pointe.

Avis des lecteurs

Résumé:

Le livre « Machine Learning for Time-Series with Python » est apprécié pour son introduction complète aux séries temporelles et aux méthodologies d'apprentissage automatique, en particulier pour les débutants. Il comprend des exemples de codage pratiques et couvre à la fois les techniques classiques et modernes, mais il a été critiqué pour de nombreuses erreurs et incohérences.

Avantages:

Excellent manuel de référence couvrant les modèles de séries temporelles classiques et modernes avec une perspective nouvelle sur leur combinaison avec l'apprentissage automatique.

Inconvénients:

Une écriture claire et fluide, avec un contexte historique et des références académiques qui facilitent la compréhension.

(basé sur 10 avis de lecteurs)

Titre original :

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

Contenu du livre :

Apprendre à tirer des enseignements des données chronologiques et à analyser les performances d'un modèle.

Caractéristiques principales :

⬤ Explorer les méthodes d'apprentissage automatique populaires et modernes, y compris les derniers algorithmes d'apprentissage en ligne et d'apprentissage profond.

⬤ Apprenez à augmenter la précision de vos prédictions en associant le bon modèle au bon problème.

⬤ Maîtrisez les séries temporelles grâce à des études de cas réels sur la gestion des opérations, le marketing numérique, la finance et les soins de santé.

Description du livre :

L'apprentissage automatique s'est imposé comme un outil puissant pour comprendre les complexités cachées dans les ensembles de données de séries temporelles, qui doivent fréquemment être analysées dans des domaines aussi divers que la santé, l'économie, le marketing numérique et les sciences sociales. Ces ensembles de données sont essentiels pour prévoir et prédire les résultats ou pour détecter les anomalies afin de prendre des décisions éclairées.

Ce livre couvre les bases de Python pour les séries temporelles et développe votre compréhension des modèles autorégressifs traditionnels ainsi que des modèles non-paramétriques modernes. Vous deviendrez confiant dans le chargement d'ensembles de données de séries temporelles à partir de n'importe quelle source, dans les modèles d'apprentissage profond tels que les réseaux neuronaux récurrents et les modèles de réseaux convolutifs causaux, et dans le renforcement du gradient avec l'ingénierie des caractéristiques.

Machine Learning for Time-Series with Python explique la théorie qui sous-tend plusieurs modèles utiles et vous guide pour adapter le bon modèle au bon problème. Le livre comprend également des études de cas réels portant sur la météo, le trafic, le cyclisme et les données boursières.

À la fin de ce livre, vous serez en mesure d'analyser efficacement des ensembles de données de séries temporelles à l'aide des principes de l'apprentissage automatique.

Ce que vous apprendrez

⬤ Comprendre les principales classes de séries temporelles et apprendre à détecter les valeurs aberrantes et les modèles.

⬤ Choisir la bonne méthode pour résoudre les problèmes de séries temporelles.

⬤ Caractériser les modèles saisonniers et de corrélation grâce à l'autocorrélation et aux techniques statistiques.

⬤ Se familiariser avec la visualisation des données de séries temporelles.

⬤ Comprendre les modèles classiques de séries temporelles comme ARMA et ARIMA.

⬤ Mettre en œuvre des modèles d'apprentissage profond comme les processus gaussiens et les transformateurs, ainsi que des modèles d'apprentissage automatique de pointe.

⬤ Se familiariser avec de nombreuses bibliothèques telles que prophet, xgboost et TensorFlow.

A qui s'adresse ce livre :

Ce livre est idéal pour les analystes de données, les data scientists et les développeurs Python qui cherchent à effectuer des analyses de séries temporelles pour prédire efficacement les résultats. Une connaissance de base du langage Python est essentielle. Une bonne connaissance des statistiques est souhaitable.

Autres informations sur le livre :

• ISBN : 9781801819626
• Auteur : Ben Auffarth
• Éditeur : Packt Pub
• Langue : anglais
• Reliure : Broché