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: آمار ریاضی ویرایش: نویسندگان: Avishek Pal. PKS Prakash سری: ISBN (شابک) : 1788290224, 9781788294195 ناشر: Packt Publishing سال نشر: 2017 تعداد صفحات: 238 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 مگابایت
در صورت تبدیل فایل کتاب Practical time series analysis: master time series data processing, visualization, and modeling using Python 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 تجزیه و تحلیل عملی سری زمانی: پردازش داده های سری زمانی، تجسم و مدل سازی با استفاده از پایتون 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.
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 برای کاوش در ساختارهای داخلی دادههای سری زمانی و ایجاد بینشهای توصیفی و پیشبینی قدرتمند طراحی شدهاند. همچنین، کتاب مملو از نمونههای واقعی سریهای زمانی و تحلیلهای آنها با استفاده از راهحلهای پیشرفته توسعهیافته در پایتون است. این کتاب با تجزیه و تحلیل توصیفی شروع می شود تا تجسم های روشنگری از ساختارهای داخلی مانند روند، فصلی و خودهمبستگی 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 تغییر میدهیم 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 مشکلات زندگی 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 شما یاد خواهید گرفت • مفاهیم اساسی تجزیه و تحلیل سری های زمانی را درک کنید و از اهمیت آن برای موفقیت یک پروژه علم داده قدردانی کنید • درکی از بارگذاری، کاوش و تجسم داده های سری زمانی ایجاد کنید • همبستگی خودکار را کاوش کنید و دانش تکنیک های آماری را برای مقابله با سری های زمانی غیرایستایی به دست آورید. • از مزیت 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
Time Series Analysis allows us to analyze data which is generated over a period of time and has sequential interdependencies between the observations. This book describes special mathematical tricks and techniques which are geared towards exploring the internal structures of time series data and generating powerful descriptive and predictive insights. Also, the book is full of real-life examples of time series and their analyses using cutting-edge solutions developed in Python. 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