دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Ben Auffarth سری: ISBN (شابک) : 1801819629, 9781801819626 ناشر: Packt Publishing - ebooks Account سال نشر: 2021 تعداد صفحات: 371 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با روش های پیشرفته یادگیری ماشین: یادگیری ماشینی، یادگیری عمیق، یادگیری بدون نظارت، یادگیری تقویتی، یادگیری تحت نظارت، پایتون، شبکه های عصبی مکرر، رمزگذارهای خودکار، استنتاج بیزی، NumPy، پانداها، ژوپیتر، رگرسیون خودکار، پیش بینی، پیامبر، تجزیه و تحلیل سری های زمانی، مدل های مارکوف، پیش پردازش داده ها،
در صورت تبدیل فایل کتاب Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods 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 یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با روش های پیشرفته یادگیری ماشین 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.
در استخراج بینش از داده های سری زمانی و تجزیه و تحلیل عملکرد یک مدل ماهر شوید ویژگی های کلیدی • روش های یادگیری ماشینی محبوب و مدرن از جمله جدیدترین الگوریتم های یادگیری آنلاین و عمیق را کاوش کنید • بیاموزید که دقت پیش بینی های خود را با تطبیق مدل مناسب با مسئله مناسب افزایش دهید • از طریق مطالعات موردی در دنیای واقعی در مورد مدیریت عملیات، بازاریابی دیجیتال، امور مالی و مراقبتهای بهداشتی، در سریهای زمانی استاد باشید. توضیحات کتاب یادگیری ماشینی به عنوان یک ابزار قدرتمند برای درک پیچیدگی های پنهان در مجموعه داده های سری زمانی پدیدار شده است، که اغلب نیاز به تجزیه و تحلیل در حوزه های متنوعی مانند مراقبت های بهداشتی، اقتصاد، بازاریابی دیجیتال و علوم اجتماعی دارند. این مجموعه داده ها برای پیش بینی و پیش بینی نتایج یا برای تشخیص ناهنجاری ها برای حمایت از تصمیم گیری آگاهانه ضروری هستند. این کتاب اصول پایتون را برای سریهای زمانی پوشش میدهد و درک شما را از مدلهای اتورگرسیو سنتی و همچنین مدلهای ناپارامتریک مدرن ایجاد میکند. با بارگیری مجموعه دادههای سری زمانی از هر منبع، مدلهای یادگیری عمیق مانند شبکههای عصبی مکرر و مدلهای شبکه کانولوشنی علّی، و افزایش گرادیان با مهندسی ویژگی، مطمئن خواهید شد. یادگیری ماشین برای سریهای زمانی با پایتون تئوری پشت چندین مدل مفید را توضیح میدهد و شما را در تطبیق مدل مناسب با مسئله مناسب راهنمایی میکند. این کتاب همچنین شامل مطالعات موردی در دنیای واقعی است که اطلاعات آب و هوا، ترافیک، دوچرخه سواری و بازار سهام را پوشش می دهد. در پایان این کتاب، شما در تجزیه و تحلیل موثر مجموعه داده های سری زمانی با اصول یادگیری ماشین مهارت خواهید داشت. آنچه خواهید آموخت • کلاس های اصلی سری های زمانی را بشناسید و یاد بگیرید که چگونه نقاط پرت و الگوها را تشخیص دهید • روش مناسب را برای حل مسائل سری زمانی انتخاب کنید • مشخص کردن الگوهای فصلی و همبستگی از طریق خودهمبستگی و تکنیک های آماری • با تجسم داده های سری زمانی کنار بیایید • مدل های سری زمانی کلاسیک مانند ARMA و ARIMA را بدانید • پیاده سازی مدل های یادگیری عمیق مانند فرآیندها و ترانسفورماتورهای گاوسی و مدل های پیشرفته یادگیری ماشین • با بسیاری از کتابخانه ها مانند prophet، xgboost و TensorFlow آشنا شوید این کتاب برای چه کسی است این کتاب برای تحلیلگران داده، دانشمندان داده و توسعه دهندگان پایتون که به دنبال انجام تجزیه و تحلیل سری زمانی برای پیش بینی موثر نتایج هستند، ایده آل است. دانش اولیه زبان پایتون ضروری است. آشنایی با آمار مطلوب است.
Become proficient in deriving insights from time-series data and analyzing a model’s performance Key Features • Explore popular and modern machine learning methods including the latest online and deep learning algorithms • Learn to increase the accuracy of your predictions by matching the right model with the right problem • Master time-series via real-world case studies on operations management, digital marketing, finance, and healthcare Book Description Machine learning has emerged as a powerful tool to understand hidden complexities in time-series datasets, which frequently need to be analyzed in areas as diverse as healthcare, economics, digital marketing, and social sciences. These datasets are essential for forecasting and predicting outcomes or for detecting anomalies to support informed decision making. This book covers Python basics for time-series and builds your understanding of traditional autoregressive models as well as modern non-parametric models. You will become confident with loading time-series datasets from any source, deep learning models like recurrent neural networks and causal convolutional network models, and gradient boosting with feature engineering. Machine Learning for Time-Series with Python explains the theory behind several useful models and guides you in matching the right model to the right problem. The book also includes real-world case studies covering weather, traffic, biking, and stock market data. By the end of this book, you will be proficient in effectively analyzing time-series datasets with machine learning principles. What you will learn • Understand the main classes of time-series and learn how to detect outliers and patterns • Choose the right method to solve time-series problems • Characterize seasonal and correlation patterns through autocorrelation and statistical techniques • Get to grips with time-series data visualization • Understand classical time-series models like ARMA and ARIMA • Implement deep learning models like Gaussian processes and transformers and state-of-the-art machine learning models • Become familiar with many libraries like prophet, xgboost, and TensorFlow Who This Book Is For This book is ideal for data analysts, data scientists, and Python developers who are looking to perform time-series analysis to effectively predict outcomes. Basic knowledge of the Python language is essential. Familiarity with statistics is desirable.
Cover Copyright Contributors Table of Contents Preface Chapter 1: Introduction to Time Series with Python What Is a Time Series? Characteristics of Time Series Time Series and Forecasting – Past and Present Demography Genetics Astronomy Economics Meteorology Medicine Applied Statistics Python for Time Series Installing libraries Jupyter Notebook and JupyterLab NumPy pandas Best practice in Python Summary Chapter 2: Time-Series Analysis with Python What is time series analysis? Working with time series in Python Requirements Datetime pandas Understanding the variables Uncovering relationships between variables Identifying trend and seasonality Summary Chapter 3: Preprocessing Time Series What Is Preprocessing? Feature Transforms Scaling Log and Power Transformations Imputation Feature Engineering Date- and Time-Related Features ROCKET Shapelets Python Practice Log and Power Transformations in Practice Imputation Holiday Features Date Annotation Paydays Seasons The Sun and Moon Business Days Automated Feature Extraction ROCKET Shapelets in Practice Summary Chapter 4: Introduction to Machine Learning for Time-Series Machine learning with time series Supervised, unsupervised, and reinforcement learning History of machine learning Machine learning workflow Cross-validation Error metrics for time series Regression Classification Comparing time-series Machine learning algorithms for time-series Distance-based approaches Shapelets ROCKET Time Series Forest and Canonical Interval Forest Symbolic approaches HIVE-COTE Discussion Implementations Summary Chapter 5: Time-Series Forecasting with Moving Averages and Autoregressive Models What are classical models? Moving average and autoregression Model selection and order Exponential smoothing ARCH and GARCH Vector autoregression Python libraries Statsmodels Python practice Requirements Modeling in Python Summary Chapter 6: Unsupervised Methods for Time-Series Unsupervised methods for time-series Anomaly detection Microsoft Google Amazon Facebook Twitter Implementations Change point detection Clustering Python practice Requirements Anomaly detection Change point detection Summary Chapter 7: Machine Learning Models for Time-Series More machine learning methods for time series Validation K-nearest neighbors with dynamic time warping Silverkite Gradient boosting Python exercise Virtual environments K-nearest neighbors with dynamic time warping in Python Silverkite Gradient boosting Ensembles with Kats Summary Chapter 8: Online Learning for Time-Series Online learning for time series Online algorithms Drift Drift detection methods Adaptive learning methods Python practice Drift detection Regression Model selection Summary Chapter 9: Probabilistic Models for Time-Series Probabilistic Models for Time-Series Prophet Markov Models Fuzzy Modeling Bayesian Structural Time-Series Models Python Exercise Prophet Markov Switching Model Fuzzy Time-Series Bayesian Structural Time-Series Modeling Summary Chapter 10: Deep Learning for Time-Series Introduction to deep learning Deep learning for time series Autoencoders InceptionTime DeepAR N-BEATS Recurrent neural networks ConvNets Transformer architectures Informer Python practice Fully connected network Recurrent neural network Dilated causal convolutional neural network Summary Chapter 11: Reinforcement Learning for Time-Series Introduction to reinforcement learning Reinforcement Learning for Time-Series Bandit algorithms Deep Q-Learning Python Practice Recommendations Trading with DQN Summary Chapter 12: Multivariate Forecasting Forecasting a Multivariate Time-Series Python practice What's next for time-series? Why subscribe? Packt Page Other Books You May Enjoy Index