ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

دانلود کتاب یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با روش های پیشرفته یادگیری ماشین

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

مشخصات کتاب

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
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 

قیمت کتاب (تومان) : 35,000



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،



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


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.


توضیحاتی در مورد کتاب یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با روش های پیشرفته یادگیری ماشین

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.


توضیحاتی درمورد کتاب به خارجی

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.



فهرست مطالب

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




نظرات کاربران