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: Wayne A. Woodward, Bivin Philip Sadler, Stephen Robertson سری: Chapman & Hall/CRC Texts in Statistical Science ISBN (شابک) : 036753794X, 9780367537944 ناشر: CRC Press سال نشر: 2022 تعداد صفحات: 506 [529] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 49 Mb
در صورت تبدیل فایل کتاب Time Series for Data Science: Analysis and Forecasting 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 سری زمانی برای علم داده: تجزیه و تحلیل و پیش بینی 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.
دانشجویان و متخصصان علوم داده میخواهند پیشبینیای بیابند که «کار میکند» و نمیخواهند به یک استراتژی پیشبینی محدود محدود شوند، سری زمانی برای علم داده: تجزیه و تحلیل و پیشبینی تکنیکهای مدلسازی گروهی را برای ترکیب اطلاعات از چندین استراتژی مورد بحث قرار میدهد. پوشش مدلهای رگرسیون سریهای زمانی، هموارسازی نمایی، پیشبینی Holt-Winters و شبکههای عصبی. این کتاب تاکید ویژهای بر مدلهای کلاسیک ARMA و ARIMA دارد که اغلب در سایر کتابهای درسی در این زمینه وجود ندارد.
این کتاب یک راهنمای قابل دسترس است که نیازی به پیشزمینه ندارد. حساب دیفرانسیل و انتگرال جذاب است اما از توضیحات عمیق تر در مورد تکنیک های بحث شده دوری نمی کند.
ویژگی ها:
Data Science students and practitioners want to find a forecast that “works” and don’t want to be constrained to a single forecasting strategy, Time Series for Data Science: Analysis and Forecasting discusses techniques of ensemble modelling for combining information from several strategies. Covering time series regression models, exponential smoothing, Holt-Winters forecasting, and Neural Networks. It places a particular emphasis on classical ARMA and ARIMA models that is often lacking from other textbooks on the subject.
This book is an accessible guide that doesn’t require a background in calculus to be engaging but does not shy away from deeper explanations of the techniques discussed.
Features: