دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation
دانلود کتاب تجزیه و تحلیل سری زمانی با کتاب آشپزی پایتون: دستور العمل های عملی برای تجزیه و تحلیل داده های اکتشافی، آماده سازی داده ها، پیش بینی و ارزیابی مدل
مشخصات کتاب
Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation
ویرایش:
نویسندگان: Tarek A. Atwan
سری:
ISBN (شابک) : 1801075549, 9781801075541
ناشر: Packt Publishing
سال نشر: 2022
تعداد صفحات: 630
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 28 Mb
قیمت کتاب (تومان) : 38,000
در صورت تبدیل فایل کتاب Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation 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 با کتاب آشپزی پایتون: دستور العمل های عملی برای تجزیه و تحلیل داده های اکتشافی، آماده سازی داده ها، پیش بینی و ارزیابی مدل 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 تجزیه و تحلیل سری زمانی با کتاب آشپزی پایتون: دستور العمل های عملی برای تجزیه و تحلیل داده های اکتشافی، آماده سازی داده ها، پیش بینی و ارزیابی مدل
تحلیل و پیش‌بینی سری‌های زمانی را با اطمینان با این بانک کد پایتون و راهنمای مرجع انجام دهید
ویژگی‌های کلیدی
- کاوش تکنیک‌های پیش‌بینی و تشخیص ناهنجاری با استفاده از الگوریتم‌های آماری، یادگیری ماشینی و یادگیری عمیق
- یادگیری تکنیک‌های مختلف برای ارزیابی، تشخیص و بهینه سازی مدل های خود
- با انواع داده های پیچیده با روندها، الگوهای فصلی متعدد و بی نظمی کار کنید
توضیحات کتاب
داده های سری زمانی در همه جا موجود است، با فرکانس و حجم بالا در دسترس است. این پیچیده است و می‌تواند شامل نویز، بی‌نظمی‌ها و الگوهای متعدد باشد، که آشنایی با تکنیک‌های پوشش‌دهی شده در این کتاب برای آماده‌سازی، تحلیل و پیش‌بینی داده‌ها را ضروری می‌سازد.
< span>این کتاب تکنیک‌های عملی برای کار با داده‌های سری زمانی را پوشش می‌دهد، که با دریافت داده‌های سری زمانی از منابع و قالب‌های مختلف، چه در ذخیره‌سازی ابری خصوصی، پایگاه‌های اطلاعاتی رابطه‌ای، پایگاه‌های داده غیررابطه‌ای یا پایگاه‌های داده سری زمانی تخصصی مانند InfluxDB، شروع می‌شود. در مرحله بعد، استراتژی‌هایی برای مدیریت داده‌های از دست رفته، برخورد با مناطق زمانی و روزهای کاری سفارشی، و تشخیص ناهنجاری‌ها با استفاده از روش‌های آماری بصری، و به دنبال آن مدل‌های پیشرفته‌تر ML بدون نظارت را خواهید آموخت. این کتاب همچنین به بررسی پیش‌بینی با استفاده از مدل‌های آماری کلاسیک مانند Holt-Winters، SARIMA و VAR می‌پردازد. دستور العمل ها تکنیک های عملی برای مدیریت داده های غیر ثابت، با استفاده از تبدیل قدرت، نمودارهای ACF و PACF، و تجزیه داده های سری زمانی با الگوهای فصلی متعدد را ارائه می دهند. بعداً، با استفاده از TensorFlow و PyTorch با مدل‌های ML و DL کار خواهید کرد.
در نهایت، نحوه ارزیابی، مقایسه، بهینه‌سازی مدل‌ها و موارد دیگر را با استفاده از دستور العمل‌ها یاد خواهید گرفت. در این کتاب توضیح داده شده است.
آنچه یاد خواهید گرفت
- بدانید چه چیزی داده های سری زمانی را متفاوت می کند از داده‌های دیگر
- برای داده‌های از دست رفته، استراتژی‌های مختلف انتساب و درونیابی را اعمال کنید
- اجرای مدل های مختلف برای سری های زمانی تک متغیره و چند متغیره
- از کتابخانه های یادگیری عمیق مختلف مانند TensorFlow، Keras و PyTorch
- تجسم های سری زمانی تعاملی را با استفاده از hvPlot ترسیم کنید
- کاوش فضای حالت مدل‌ها و مدل اجزای مشاهده نشده (UCM)
- تشخیص ناهنجاری‌ها با استفاده از روش‌های آماری و یادگیری ماشینی
- پیش‌بینی سری‌های زمانی پیچیده با الگوهای فصلی متعدد
این کتاب برای چه کسی است</ h4>
این کتاب برای تحلیلگران داده، تحلیلگران کسب و کار، دانشمندان داده، مهندسان داده یا توسعه دهندگان پایتون است که دستور العمل های عملی پایتون برای تجزیه و تحلیل سری های زمانی و تکنیک های پیش بینی می خواهند. دانش اساسی برنامه نویسی پایتون مورد نیاز است. اگرچه داشتن پیشینه ریاضی و آمار اولیه مفید خواهد بود، اما ضروری نیست. تجربه قبلی کار با داده های سری زمانی برای حل مشکلات تجاری نیز به شما کمک می کند تا از دستور العمل های مختلف این کتاب بهتر استفاده و به کار ببرید.
فهرست محتوا</ h4>
- شروع به تجزیه و تحلیل سری های زمانی
- خواندن داده های سری زمانی از فایل ها
- خواندن داده‌های سری زمانی از پایگاه‌های داده
- داده‌های سری زمانی ماندگار به فایل‌ها
- داده‌های سری زمانی ماندگار در پایگاه‌های داده
- در حال کار با تاریخ و زمان در پایتون
- مدیریت داده‌های گمشده
- تشخیص پرت با استفاده از روش‌های آماری
- تحلیل و تشخیص داده‌های اکتشافی
- ساخت مدل‌های سری زمانی تک متغیره با استفاده از روش‌های آماری
- تکنیک‌های مدل‌سازی آماری اضافی برای سری‌های زمانی
- پیش‌بینی با استفاده از یادگیری ماشینی نظارت شده
- آموزش عمیق برای پیش‌بینی سری‌های زمانی
- تشخیص بیرونی با استفاده از یادگیری ماشین بدون نظارت
- تکنیک های پیشرفته برای سری های زمانی پیچیده
توضیحاتی درمورد کتاب به خارجی
Perform time series analysis and forecasting confidently with this Python code bank and reference manual
Key Features
- Explore forecasting and anomaly detection techniques using statistical, machine learning, and deep learning algorithms
- Learn different techniques for evaluating, diagnosing, and optimizing your models
- Work with a variety of complex data with trends, multiple seasonal patterns, and irregularities
Book Description
Time series data is everywhere, available at a high frequency and volume. It is complex and can contain noise, irregularities, and multiple patterns, making it crucial to be well-versed with the techniques covered in this book for data preparation, analysis, and forecasting.
This book covers practical techniques for working with time series data, starting with ingesting time series data from various sources and formats, whether in private cloud storage, relational databases, non-relational databases, or specialized time series databases such as InfluxDB. Next, you'll learn strategies for handling missing data, dealing with time zones and custom business days, and detecting anomalies using intuitive statistical methods, followed by more advanced unsupervised ML models. The book will also explore forecasting using classical statistical models such as Holt-Winters, SARIMA, and VAR. The recipes will present practical techniques for handling non-stationary data, using power transforms, ACF and PACF plots, and decomposing time series data with multiple seasonal patterns. Later, you'll work with ML and DL models using TensorFlow and PyTorch.
Finally, you'll learn how to evaluate, compare, optimize models, and more using the recipes covered in the book.
What you will learn
- Understand what makes time series data different from other data
- Apply various imputation and interpolation strategies for missing data
- Implement different models for univariate and multivariate time series
- Use different deep learning libraries such as TensorFlow, Keras, and PyTorch
- Plot interactive time series visualizations using hvPlot
- Explore state-space models and the unobserved components model (UCM)
- Detect anomalies using statistical and machine learning methods
- Forecast complex time series with multiple seasonal patterns
Who this book is for
This book is for data analysts, business analysts, data scientists, data engineers, or Python developers who want practical Python recipes for time series analysis and forecasting techniques. Fundamental knowledge of Python programming is required. Although having a basic math and statistics background will be beneficial, it is not necessary. Prior experience working with time series data to solve business problems will also help you to better utilize and apply the different recipes in this book.
Table of Contents
- Getting Started with Time Series Analysis
- Reading Time Series Data from Files
- Reading Time Series Data from Databases
- Persisting Time Series Data to Files
- Persisting Time Series Data to Databases
- Working with Date and Time in Python
- Handling Missing Data
- Outlier Detection Using Statistical Methods
- Exploratory Data Analysis and Diagnosis
- Building Univariate Time Series Models Using Statistical Methods
- Additional Statistical Modeling Techniques for Time Series
- Forecasting Using Supervised Machine Learning
- Deep Learning for Time Series Forecasting
- Outlier Detection Using Unsupervised Machine Learning
- Advanced Techniques for Complex Time Series
