دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Forecasting Time Series Data with Prophet: Build, improve, and optimize time series forecasting models using Meta's advanced forecasting tool, 2nd Edition
دانلود کتاب پیش بینی داده های سری زمانی با پیامبر: ساخت، بهبود و بهینه سازی مدل های پیش بینی سری های زمانی با استفاده از ابزار پیش بینی پیشرفته متا، ویرایش دوم
مشخصات کتاب
Forecasting Time Series Data with Prophet: Build, improve, and optimize time series forecasting models using Meta's advanced forecasting tool, 2nd Edition
ویرایش: [2 ed.]
نویسندگان: Greg Rafferty
سری:
ISBN (شابک) : 1837630410, 9781837630417
ناشر: Packt Publishing
سال نشر: 2023
تعداد صفحات: 282
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 Mb
قیمت کتاب (تومان) : 68,000
در صورت تبدیل فایل کتاب Forecasting Time Series Data with Prophet: Build, improve, and optimize time series forecasting models using Meta's advanced forecasting tool, 2nd Edition به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پیش بینی داده های سری زمانی با پیامبر: ساخت، بهبود و بهینه سازی مدل های پیش بینی سری های زمانی با استفاده از ابزار پیش بینی پیشرفته متا، ویرایش دوم نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب پیش بینی داده های سری زمانی با پیامبر: ساخت، بهبود و بهینه سازی مدل های پیش بینی سری های زمانی با استفاده از ابزار پیش بینی پیشرفته متا، ویرایش دوم
ایجاد و بهبود پیشبینیهای کاملاً خودکار برای دادههای سری زمانی با اثرات فصلی قوی، تعطیلات، و رگرسیونهای اضافی با استفاده از Python
خرید کتاب چاپی یا Kindle شامل یک کتاب الکترونیکی PDF رایگان
ویژگیهای کلیدی
- Explore Prophet، ابزار پیشبینی منبع باز توسعهیافته در متا، برای بهبود پیش بینی های خود
- یک پیش بینی ایجاد کنید و عیب یابی را برای درک کیفیت پیش بینی اجرا کنید < li>مدل های دقیق برای دستیابی به عملکرد بالا و گزارش این عملکرد با آمار دقیق
توضیحات کتاب
Prophet به توسعه دهندگان پایتون و R قدرت می دهد تا پیش بینی های سری زمانی مقیاس پذیر را بسازند. این کتاب به شما کمک میکند تا تکنیکهای پیشبینی پیشرفته پیامبر را برای مدلسازی دادههای آینده با دقت بالا و تنها با استفاده از چند خط کد پیادهسازی کنید.
شما با کاوش در تکامل شروع خواهید کرد. پیشبینی سریهای زمانی، از مدلهای اولیه اولیه تا مدلهای پیشرفته امروزی. پس از نصب و راه اندازی اولیه، شما عمیقاً به ریاضیات و تئوری پشت پیامبر خواهید پرداخت. سپس ویژگیهای پیشرفتهای مانند تجسم پیشبینیهای خود، اضافه کردن تعطیلات و نقاط تغییر روند، و رسیدگی به موارد پرت را پوشش خواهید داد. شما از سری فوریه برای مدلسازی فصلی بودن استفاده میکنید، یاد میگیرید که چگونه بین مدل افزایشی و ضربی یکی را انتخاب کنید، و متوجه میشوید که چه زمانی باید هر پارامتر مدل را تغییر دهید. این نسخه به روز دارای بخش جدیدی در مورد مدل سازی شوک هایی مانند کووید است. در ادامه این کتاب، نحوه بهینه سازی مدل های پیچیده تر را با تنظیم هایپرپارامتر و با افزودن رگرسیورهای اضافی به مدل خواهید دید. در نهایت، نحوه اجرای عیبیابی برای ارزیابی عملکرد مدلهای خود و کشف ویژگیهای مفید هنگام اجرای پیامبر در محیطهای تولیدی را خواهید آموخت.
در پایان این کتاب، شما قادر خواهد بود مجموعهای از مجموعههای زمانی خام بگیرد و مدلهای پیشبینی پیشرفته و دقیق با کد مختصر، قابل درک و تکرارپذیر بسازد.
آنچه خواهید آموخت<. /h4>
- درک ریاضیات نهفته در مدل های پیامبر
- ساخت مدل های پیش بینی عملی از مجموعه داده های واقعی با استفاده از پایتون
- درک حالتهای مختلف رشدی که سریهای زمانی اغلب نشان میدهند
- نحوه شناسایی و برخورد با موارد پرت در داده های سری زمانی را بیابید
- با نحوه کنترل فواصل عدم قطعیت برای ایجاد درصد اطمینان در مورد خود آشنا شوید. پیشبینیها
- مدلهای پیامبر خود را تولید کنید تا کار خود را سریعتر و کارآمدتر کنید
این کتاب برای چه کسی است
این کتاب برای مدیران تجاری، دانشمندان داده، تحلیلگران داده، مهندسان یادگیری ماشین و مهندسان نرم افزار است که می خواهند زمان بسازند. -پیشبینیهای سری در پایتون یا R. برای استفاده حداکثری از این کتاب، باید درک اولیهای از دادههای سری زمانی داشته باشید و بتوانید آن را از انواع دیگر دادهها متمایز کنید. دانش اولیه تکنیک های پیش بینی امتیاز مثبت است.
فهرست مطالب
- تاریخچه و توسعه پیش بینی سری های زمانی
- آغاز با پیامبر
- نحوه عملکرد پیامبر
- بررسی داده های غیر روزانه
- کار با فصلی
- پیشبینی اثرات تعطیلات
- کنترل رشد حالتها
- تأثیرگذار بر نقاط تغییر روند
- از جمله رگرسیونهای اضافی< /span>
- حسابداری موارد پرت و رویدادهای خاص
- مدیریت فواصل عدم قطعیت
- اجرای اعتبارسنجی متقابل
- ارزیابی معیارهای عملکرد< /span>
- تولید پیامبر
توضیحاتی درمورد کتاب به خارجی
Create and improve fully automated forecasts for time series data with strong seasonal effects, holidays, and additional regressors using Python
Purchase of the print or Kindle book includes a free PDF eBook
Key Features
- Explore Prophet, the open source forecasting tool developed at Meta, to improve your forecasts
- Create a forecast and run diagnostics to understand forecast quality
- Fine-tune models to achieve high performance and report this performance with concrete statistics
Book Description
Prophet empowers Python and R developers to build scalable time series forecasts. This book will help you to implement Prophet's cutting-edge forecasting techniques to model future data with high accuracy using only a few lines of code.
You'll begin by exploring the evolution of time series forecasting, from basic early models to present-day advanced models. After the initial installation and setup, you'll take a deep dive into the mathematics and theory behind Prophet. You'll then cover advanced features such as visualizing your forecasts, adding holidays and trend changepoints, and handling outliers. You'll use the Fourier series to model seasonality, learn how to choose between an additive and multiplicative model, and understand when to modify each model parameter. This updated edition has a new section on modeling shocks such as COVID. Later on in the book you'll see how to optimize more complicated models with hyperparameter tuning and by adding additional regressors to the model. Finally, you'll learn how to run diagnostics to evaluate the performance of your models and discover useful features when running Prophet in production environments.
By the end of this book, you'll be able to take a raw time series dataset and build advanced and accurate forecasting models with concise, understandable, and repeatable code.
What you will learn
- Understand the mathematics behind Prophet's models
- Build practical forecasting models from real datasets using Python
- Understand the different modes of growth that time series often exhibit
- Discover how to identify and deal with outliers in time series data
- Find out how to control uncertainty intervals to provide percent confidence in your forecasts
- Productionalize your Prophet models to scale your work faster and more efficiently
Who this book is for
This book is for business managers, data scientists, data analysts, machine learning engineers, and software engineers who want to build time-series forecasts in Python or R. To get the most out of this book, you should have a basic understanding of time series data and be able to differentiate it from other types of data. Basic knowledge of forecasting techniques is a plus.
Table of Contents
- The History and Development of Time Series Forecasting
- Getting Started with Prophet
- How Prophet Works
- Handling Non-Daily Data
- Working with Seasonality
- Forecasting Holiday Effects
- Controlling Growth Modes
- Influencing Trend Changepoints
- Including Additional Regressors
- Accounting for Outliers and Special Events
- Managing Uncertainty Intervals
- Performing Cross-Validation
- Evaluating Performance Metrics
- Productionalizing Prophet
فهرست مطالب
Cover Title Page Copyright Contributors Table of Contents Preface Part 1: Getting Started with Prophet Chapter 1: The History and Development of Time Series Forecasting Understanding time series forecasting The problem with dependent data Moving averages and exponential smoothing ARIMA ARCH/GARCH Neural networks Prophet Recent developments NeuralProphet Google’s “robust time series forecasting at scale” LinkedIn’s Silverkite/Greykite Uber’s Orbit Summary Chapter 2: Getting Started with Prophet Technical requirements Installing Prophet Installation on macOS Installation on Windows Installation on Linux Building a simple model in Prophet Interpreting the forecast DataFrame Understanding components plots Summary Chapter 3: How Prophet Works Technical requirements Facebook’s motivation for building Prophet Analyst-in-the-loop forecasting The math behind Prophet Linear growth Logistic growth Seasonality Holidays Summary Part 2: Seasonality, Tuning, and Advanced Features Chapter 4: Handling Non-Daily Data Technical requirements Using monthly data Using sub-daily data Using data with regular gaps Summary Chapter 5: Working with Seasonality Technical requirements Understanding additive versus multiplicative seasonality Controlling seasonality with the Fourier order Adding custom seasonalities Adding conditional seasonalities Regularizing seasonality Global seasonality regularization Local seasonality regularization Summary Chapter 6: Forecasting Holiday Effects Technical requirements Adding default country holidays Adding default state/province holidays Creating custom holidays Creating multi-day holidays Regularizing holidays Global holiday regularization Individual holiday regularization Summary Chapter 7: Controlling Growth Modes Technical requirements Applying linear growth Understanding the logistic function Saturating forecasts Increasing logistic growth Non-constant cap Decreasing logistic growth Applying flat growth Creating a custom trend Summary Chapter 8: Influencing Trend Changepoints Technical requirements Automatic trend changepoint detection Default changepoint detection Regularizing changepoints Specifying custom changepoint locations Summary Chapter 9: Including Additional Regressors Technical requirements Adding binary regressors Adding continuous regressors Interpreting the regressor coefficients Summary Chapter 10: Accounting for Outliers and Special Events Technical requirements Correcting outliers that cause seasonality swings Correcting outliers that cause wide uncertainty intervals Detecting outliers automatically Winsorizing Standard deviation The moving average Error standard deviation Modeling outliers as special events Modeling shocks such as COVID-19 lockdowns Summary Chapter 11: Managing Uncertainty Intervals Technical requirements Modeling uncertainty in trends Modeling uncertainty in seasonality Summary Part 3: Diagnostics and Evaluation Chapter 12: Performing Cross-Validation Technical requirements Performing k-fold cross-validation Performing forward-chaining cross-validation Creating the Prophet cross-validation DataFrame Parallelizing cross-validation Summary Chapter 13: Evaluating Performance Metrics Technical requirements Understanding Prophet’s metrics Mean squared error Root mean squared error Mean absolute error Mean absolute percent error Median absolute percent error Symmetric mean absolute percent error Coverage Choosing the best metric Creating a Prophet performance metrics DataFrame Handling irregular cut-offs Tuning hyperparameters with grid search Summary Chapter 14: Productionalizing Prophet Technical requirements Saving a model Updating a fitted model Making interactive plots with Plotly Plotly forecast plot Plotly components plot Plotly single component plot Plotly seasonality plot Summary Index About Packt Other Books You May Enjoy
