Time Series for Data Science: Analysis and Forecasting

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:

• پوشش و مقایسه کاملی از مجموعه وسیعی از مدل‌ها و روش‌های سری زمانی ارائه می‌کند: هموارسازی نمایی، زمستان‌های داغ، ARMA و ARIMA، مدل‌های یادگیری عمیق شامل RNN، LSTMs، GRU و مدل‌های مجموعه‌ای که از ترکیبی از این مدل‌ها تشکیل شده‌اند.
• نمایش جدول فاکتور مدل های ARMA و ARIMA را معرفی می کند. این نمایش در هیچ کتاب دیگری در این سطح موجود نیست و هم در عمل و هم در آموزش بسیار مفید است.
• از نمونه های دنیای واقعی استفاده می کند که می تواند به راحتی از طریق پیوندهای وب از منابعی مانند اداره آمار ایالات متحده، وزارت حمل و نقل و بانک جهانی یافت می شود.
• یک بسته R همراه وجود دارد. استفاده از آن آسان است و به تجربه قبلی R کمی یا بدون نیاز دارد. این بسته طیف گسترده ای از مدل ها و روش های ارائه شده در کتاب را اجرا می کند و کاربرد آموزشی فوق العاده ای دارد.

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:

• Provides a thorough coverage and comparison of a wide array of time series models and methods: Exponential Smoothing, Holt Winters, ARMA and ARIMA, deep learning models including RNNs, LSTMs, GRUs, and ensemble models composed of combinations of these models.
• Introduces the factor table representation of ARMA and ARIMA models. This representation is not available in any other book at this level and is extremely useful in both practice and pedagogy.
• Uses real world examples that can be readily found via web links from sources such as the US Bureau of Statistics, Department of Transportation and the World Bank.
• There is an accompanying R package that is easy to use and requires little or no previous R experience. The package implements the wide variety of models and methods presented in the book and has tremendous pedagogical use.