دانلود کتاب Practical time series analysis: master time series data processing, visualization, and modeling using Python
49,000 تومان
تجزیه و تحلیل عملی سری زمانی: پردازش داده های سری زمانی، تجسم و مدل سازی با استفاده از پایتون
| موضوع اصلی | کامپیوترها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Packt Publishing |
| تعداد صفحه | 244 / 238 |
| حجم فایل | 11.80 مگابایت |
| کد کتاب | 178829419X , 9781788294195 |
| نویسنده | Avishek Pal, PKS Prakash |
|---|---|
| زبان | انگلیسی |
| فرمت | |
| سال انتشار | 2017 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
The book starts with descriptive analysis to create insightful visualizations of internal structures such as trend, seasonality and autocorrelation. Next, the statistical methods of dealing with autocorrelation and non-stationary time series are described. This is followed by exponential smoothing to produce meaningful insights from noisy time series data. At this point, we shift focus towards predictive analysis and introduce autoregressive models such as ARMA and ARIMA for time series forecasting. Later, powerful deep learning methods are presented, to develop accurate forecasting models for complex time series, and under the availability of little domain knowledge. All the topics are illustrated with real-life problem scenarios and their solutions by best-practice implementations in Python.
The book concludes with the Appendix, with a brief discussion of programming and solving data science problems using Python.
What You Will Learn
• Understand the basic concepts of Time Series Analysis and appreciate its importance for the success of a data science project
• Develop an understanding of loading, exploring, and visualizing time-series data
• Explore auto-correlation and gain knowledge of statistical techniques to deal with non-stationarity time series
• Take advantage of exponential smoothing to tackle noise in time series data
• Learn how to use auto-regressive models to make predictions using time-series data
• Build predictive models on time series using techniques based on auto-regressive moving averages
• Discover recent advancements in deep learning to build accurate forecasting models for time series
• Gain familiarity with the basics of Python as a powerful yet simple to write programming language
ترجمه فارسی (ترجمه ماشینی)
تجزیه و تحلیل سری زمانی به ما امکان می دهد داده هایی را که در یک دوره زمانی تولید می شوند و وابستگی متقابل متوالی بین مشاهدات دارند، تجزیه و تحلیل کنیم. این کتاب ترفندها و تکنیکهای ریاضی ویژهای را شرح میدهد که در جهت کاوش در ساختارهای داخلی دادههای سری زمانی و ایجاد بینشهای توصیفی و پیشبینی قدرتمند هستند. همچنین، کتاب مملو از نمونههای واقعی سریهای زمانی و تحلیلهای آنها با استفاده از راهحلهای پیشرفته توسعهیافته در پایتون است.
کتاب با تجزیه و تحلیل توصیفی شروع می شود تا تجسم های روشنگری از ساختارهای داخلی مانند روند، فصلی و خود همبستگی ایجاد کند. در ادامه، روش های آماری مقابله با همبستگی خودکار و سری های زمانی غیر ایستا تشریح می شود. این امر با هموارسازی نمایی دنبال میشود تا بینش معنیداری از دادههای سری زمانی پر سر و صدا ایجاد کند. در این مرحله، ما تمرکز را به سمت تحلیل پیشبینی میکنیم و مدلهای خودرگرسیون مانند ARMA و ARIMA را برای پیشبینی سریهای زمانی معرفی میکنیم. بعداً، روشهای یادگیری عمیق قدرتمند برای توسعه مدلهای پیشبینی دقیق برای سریهای زمانی پیچیده و در دسترس بودن دانش کمی از حوزه ارائه میشوند. همه موضوعات با سناریوهای مسائل واقعی و راهحلهای آنها توسط بهترین پیادهسازی در پایتون نشان داده شدهاند.
این کتاب با ضمیمه، با بحث مختصری در مورد برنامه نویسی و حل مسائل علم داده با استفاده از پایتون به پایان می رسد.
آنچه خواهید آموخت
• مفاهیم اساسی تجزیه و تحلیل سری های زمانی را درک کنید و از اهمیت آن برای موفقیت یک پروژه علم داده قدردانی کنید
• درک درستی از بارگیری، کاوش، و تجسم داده های سری زمانی ایجاد کنید
• همبستگی خودکار را کاوش کنید و دانش تکنیک های آماری برای مقابله با سری های زمانی غیرایستایی را به دست آورید
• از هموارسازی نمایی برای مقابله با نویز در داده های سری زمانی استفاده کنید
• نحوه استفاده از مدل های رگرسیون خودکار برای پیش بینی با استفاده از داده های سری زمانی را بیاموزید
• ساخت مدل های پیش بینی بر روی سری های زمانی با استفاده از تکنیک های مبتنی بر میانگین متحرک رگرسیون خودکار
• پیشرفت های اخیر در یادگیری عمیق را برای ایجاد مدل های پیش بینی دقیق برای سری های زمانی کشف کنید
• با اصول اولیه پایتون به عنوان یک زبان برنامه نویسی قدرتمند و در عین حال ساده برای نوشتن آشنا شوید
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.