Avis des lecteurs
Résumé:Le livre est généralement bien accueilli pour son approche structurée de l'enseignement de la prévision des séries temporelles, commençant par les concepts de base et progressant graduellement vers des sujets plus avancés. Il est particulièrement apprécié pour sa facilité d'utilisation par les débutants et la clarté des explications du code Python. Cependant, certains lecteurs estiment qu'il manque de profondeur dans les sujets plus avancés, qu'il n'enseigne pas comment faire des prévisions au-delà des ensembles de données disponibles et que son contenu est répétitif. Dans l'ensemble, il s'agit d'une bonne introduction, mais qui ne satisfera peut-être pas ceux qui recherchent une couverture plus complète.
Avantages:⬤ Très pratique et facile à suivre, surtout pour les débutants.
⬤ Explique clairement les concepts et le code Python presque ligne par ligne.
⬤ Couvre un éventail de sujets allant des méthodes classiques aux méthodes modernes d'apprentissage automatique.
⬤ Utilise des organigrammes et des illustrations pour clarifier les concepts.
⬤ Convient aux lecteurs non techniques et à ceux qui découvrent la prévision des séries temporelles.
⬤ Le passage aux sujets avancés de l'apprentissage automatique est trop précoce pour certains lecteurs.
⬤ Manque d'instructions sur la façon de faire des prévisions au-delà de l'ensemble des données disponibles.
⬤ Certains exemples de code ne fonctionnent pas et nécessitent de consulter une page GitHub distincte.
⬤ Le contenu est répétitif, ce qui donne l'impression que le livre est inutilement long pour son prix.
(basé sur 9 avis de lecteurs)
Titre original :
Time Series Forecasting in Python
Contenu du livre :
Construire des modèles prédictifs à partir de modèles temporels dans vos données. Maîtrisez les modèles statistiques, y compris les nouvelles approches d'apprentissage profond pour la prévision des séries temporelles.
Dans Time Series Forecasting in Python, vous apprendrez à :
Reconnaître un problème de prévision de séries temporelles et construire un modèle prédictif performant.
Créer des modèles de prévision univariés qui tiennent compte des effets saisonniers et des variables externes.
Construire des modèles de prévision multivariés pour prédire plusieurs séries temporelles à la fois.
Exploiter de grands ensembles de données en utilisant l'apprentissage profond pour prévoir les séries temporelles.
Automatiser le processus de prévision.
Time Series Forecasting in Python vous apprend à construire de puissants modèles prédictifs à partir de données temporelles. Chaque modèle que vous créez est pertinent, utile et facile à mettre en œuvre avec Python. Vous explorerez des ensembles de données intéressantes du monde réel, comme le cours quotidien de l'action Google et les données économiques des États-Unis, progressant rapidement des bases au développement de modèles à grande échelle qui utilisent des outils d'apprentissage profond comme TensorFlow.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie.
Vous pouvez prédire l'avenir - avec un peu d'aide de Python, de l'apprentissage profond et des données de séries temporelles ! La prévision des séries temporelles est une technique de modélisation des données centrées sur le temps afin d'identifier les événements à venir. De nouvelles bibliothèques Python et de puissants outils d'apprentissage profond rendent les prévisions de séries temporelles précises plus faciles que jamais.
À propos du livre.
Prévision des séries temporelles en Python vous apprend à obtenir des prédictions immédiates et significatives à partir de données temporelles telles que les journaux, les analyses clients et d'autres flux d'événements. Dans ce livre accessible, vous apprendrez les méthodes statistiques et d'apprentissage profond pour les prévisions de séries temporelles, entièrement démontrées avec du code Python annoté. Développez vos compétences avec des projets tels que la prédiction du volume futur de prescriptions de médicaments, et vous serez bientôt prêt à construire vos propres prévisions précises et perspicaces.
Ce qu'il y a à l'intérieur.
Créez des modèles pour les effets saisonniers et les variables externes.
Modèles de prévision multivariés pour prédire plusieurs séries temporelles.
Apprentissage en profondeur pour les grands ensembles de données.
Automatiser le processus de prévision.
À propos du lecteur.
Pour les data scientists familiarisés avec Python et TensorFlow.
À propos de l'auteur.
Marco Peixeiro est un instructeur expérimenté en science des données qui a travaillé en tant que scientifique des données pour l'une des plus grandes banques canadiennes.
Table des matières.
PARTIE 1 LE TEMPS N'ATTEND PERSONNE.
1 Comprendre la prévision des séries temporelles.
2 Une prédiction naïve de l'avenir.
3 Une marche aléatoire.
PARTIE 2 : PRÉVISIONS À L'AIDE DE MODÈLES STATISTIQUES.
4 Modélisation d'un processus de moyenne mobile.
5 Modélisation d'un processus autorégressif.
6 Modélisation de séries temporelles complexes.
7 Prévision de séries temporelles non stationnaires.
8 Prise en compte de la saisonnalité.
9 Ajouter des variables externes à notre modèle.
10 Prévision de séries temporelles multiples.
11 Capstone : Prévision du nombre de prescriptions de médicaments antidiabétiques en Australie.
PARTIE 3 : PRÉVISIONS A GRANDE ECHELLE AVEC L'APPRENTISSAGE PROFOND.
12 Présentation de l'apprentissage profond pour la prévision des séries temporelles.
13 Fenêtrage des données et création de lignes de base pour l'apprentissage profond.
14 L'apprentissage profond à petits pas.
15 Se souvenir du passé avec LSTM.
16 Filtrer une série temporelle avec CNN.
17 Utiliser les prédictions pour faire plus de prédictions.
18 Projet de fin d'études : Prévision de la consommation électrique d'un ménage.
PARTIE 4 : AUTOMATISATION DES PRÉVISIONS À GRANDE ÉCHELLE.
19 Automatisation des prévisions de séries temporelles avec Prophet.
20 Capstone : Prévision du prix de détail moyen mensuel du steak au Canada.
21 Aller plus loin.
Autres informations sur le livre :
| ISBN : | 9781617299889 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2022 |
| Nombre de pages : | 456 |
Achat:
Actuellement disponible, en stock.
