Note :
Le livre est bien accueilli en tant qu'introduction conviviale aux algorithmes d'apprentissage automatique pour les prévisions, fournissant des explications claires et des exemples Python. Cependant, il a été critiqué pour ne pas être vraiment avancé, pour contenir des répétitions inutiles et pour nécessiter une meilleure édition.
Avantages:⬤ Excellente introduction à l'analyse des séries temporelles
⬤ explications claires des concepts
⬤ exemples pratiques de code Python
⬤ bonne progression dans les sujets
⬤ utile pour les débutants.
⬤ Pas vraiment avancé comme le suggère le titre
⬤ contenu répétitif
⬤ nécessite une meilleure édition
⬤ certains chapitres semblent superficiels
⬤ manque d'anecdotes professionnelles
⬤ comparaison de modèles insuffisante.
(basé sur 10 avis de lecteurs)
Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar
Il couvre toutes les techniques d'apprentissage automatique pertinentes pour les problèmes de prévision, allant des séries temporelles univariées et multivariées à l'apprentissage supervisé, en passant par les modèles de prévision profonds de pointe tels que les LSTM, les réseaux neuronaux récurrents, le modèle Prophet open-source de Facebook et le modèle DeepAR d'Amazon.
Plutôt que de se concentrer sur un ensemble spécifique de modèles, ce livre présente une vue d'ensemble exhaustive de toutes les techniques pertinentes pour les praticiens de la prévision. Il commence par expliquer les différentes catégories de modèles pertinents pour les prévisions dans un langage de haut niveau. Il couvre ensuite les modèles de séries temporelles univariées et multivariées, puis les modèles avancés d'apprentissage automatique et d'apprentissage profond. Il se termine par des réflexions sur la sélection des modèles, telles que les scores de référence par rapport à la compréhensibilité des modèles par rapport au temps de calcul, et le recyclage et la mise à jour automatisés des modèles.
Chacun des modèles présentés dans ce livre est traité en profondeur, avec une explication simple et intuitive du modèle, une transcription mathématique de l'idée et un code Python qui applique le modèle à un ensemble de données d'exemple.
La lecture de ce livre ajoutera un avantage concurrentiel à vos compétences actuelles en matière de prévision. Ce livre est également adapté à ceux qui ont récemment commencé à travailler sur des tâches de prévision et qui recherchent un ouvrage exhaustif leur permettant de commencer avec des modèles traditionnels et de passer progressivement à des modèles de plus en plus avancés.
Ce que vous apprendrez
⬤ Réaliser des prévisions avec Python.
⬤ Comprendre mathématiquement et intuitivement les modèles de prévision traditionnels et les techniques d'apprentissage automatique de pointe.
⬤ Acquérir les bases de la prévision et de l'apprentissage automatique, y compris l'évaluation des modèles, la validation croisée et les tests rétroactifs.
⬤ Sélectionner le bon modèle pour le bon cas d'utilisation.
À qui s'adresse ce livre ?
La nature avancée des derniers chapitres rend ce livre pertinent pour les experts appliqués travaillant dans le domaine de la prévision, car les modèles couverts n'ont été publiés que récemment. Les experts travaillant dans ce domaine souhaiteront mettre à jour leurs compétences, car les modèles traditionnels sont régulièrement dépassés par les modèles plus récents.
| ISBN : | 9781484271490 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 296 |
Actuellement disponible, en stock.
