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
ویرایش:
نویسندگان: Nielsen. Aileen
سری:
ISBN (شابک) : 9781492041658, 1492041653
ناشر: O'Reilly Media
سال نشر: 2019;2020
تعداد صفحات: xvi, 480 Seiten: Illustrationen
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 Mb
در صورت تبدیل فایل کتاب Practical time series analysis: prediction with statistics and machine learning 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 سری زمانی عملی: پیش بینی با آمار و 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.
تجزیه و تحلیل داده های سری زمانی به دلیل تولید انبوه چنین داده
هایی از طریق اینترنت اشیا، دیجیتالی شدن مراقبت های بهداشتی و
ظهور شهرهای هوشمند اهمیت فزاینده ای دارد. با متداول شدن نظارت
مستمر و جمعآوری دادهها، نیاز به تجزیه و تحلیل سریهای زمانی
مناسب با تکنیکهای آماری و یادگیری ماشین افزایش مییابد.
پوشش نوآوریها در تجزیه و تحلیل دادههای سری زمانی و موارد
استفاده از دنیای واقعی، این راهنمای عملی به شما کمک میکند تا
با استفاده از تکنیکهای آماری سنتی و مدرن یادگیری ماشین،
رایجترین چالشهای مهندسی و تحلیل دادهها را در سریهای زمانی
حل کنید. نویسنده، آیلین نیلسن، مقدمهای در دسترس و جامع برای
سریهای زمانی در R و Python ارائه میکند که دانشمندان داده،
مهندسان نرمافزار و محققان را به سرعت آماده میکند.
شما راهنماییهای لازم را دریافت خواهید کرد. باید با
اطمینان:
دادههای سری زمانی را بیابید و بحث کنید
تحلیل دادههای سری زمانی اکتشافی را انجام دهید
دادههای زمانی را ذخیره کنید
دادههای سری زمانی را شبیهسازی کنید
ایجاد و انتخاب ویژگیهای یک سری زمانی
اندازهگیری خطا
پیشبینی و طبقهبندی سریهای زمانی با یادگیری ماشینی یا
عمیق
ارزیابی دقت و عملکرد
Time series data analysis is increasingly important due to the
massive production of such data through the internet of things,
the digitalization of healthcare, and the rise of smart cities.
As continuous monitoring and data collection become more
common, the need for competent time series analysis with both
statistical and machine learning techniques will
increase.
Covering innovations in time series data analysis and use cases
from the real world, this practical guide will help you solve
the most common data engineering and analysis challengesin time
series, using both traditional statistical and modern machine
learning techniques. Author Aileen Nielsen offers an
accessible, well-rounded introduction to time series in both R
and Python that will have data scientists, software engineers,
and researchers up and running quickly.
You'll get the guidance you need to confidently:
Find and wrangle time series data
Undertake exploratory time series data analysis
Store temporal data
Simulate time series data
Generate and select features for a time series
Measure error
Forecast and classify time series with machine or deep
learning
Evaluate accuracy and performance