Advanced Forecasting with Python: S nejmodernějšími modely včetně Lstms, Facebook's Prophet a Amazon's Deepar

Recenze čtenářů

Kniha je dobře hodnocena jako úvod do algoritmů strojového učení pro předpovídání, který je vhodný pro začátečníky a poskytuje jasné vysvětlení a příklady v jazyce Python. Byla však kritizována za to, že není skutečně pokročilá, obsahuje zbytečné opakování a vyžaduje lepší úpravu.

⬤ Výborný úvod do analýzy časových řad
⬤ jasné vysvětlení pojmů
⬤ praktické příklady kódu v jazyce Python
⬤ dobrý postup tématy
⬤ cenné pro začátečníky.

⬤ Není skutečně pokročilé, jak naznačuje název
⬤ opakující se obsah
⬤ potřebuje lepší úpravu
⬤ některé kapitoly působí povrchně
⬤ chybí odborné anekdoty
⬤ nedostatečné srovnání modelů.

(na základě 10 hodnocení čtenářů)

Původní název:

Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar

Obsah knihy:

Pokryjte všechny techniky strojového učení důležité pro problémy předpovídání, od jednorozměrných a vícerozměrných časových řad přes učení pod dohledem až po nejmodernější modely hlubokého předpovídání, jako jsou LSTM, rekurentní neuronové sítě, open-source model Prophet společnosti Facebook a model DeepAR společnosti Amazon.

Spíše než na konkrétní sadu modelů se tato kniha zaměřuje na vyčerpávající přehled všech technik relevantních pro praktiky v oblasti prognózování. Začíná vysvětlením různých kategorií modelů, které jsou relevantní pro prognózování, jazykem vysoké úrovně. Dále se zabývá jednorozměrnými a vícerozměrnými modely časových řad, po nichž následují pokročilé modely strojového učení a hlubokého učení. V závěru se zamýšlí nad výběrem modelů, jako je srovnávací skóre vs. srozumitelnost modelů vs. výpočetní čas, a nad automatizovaným přeškolováním a aktualizací modelů.

Každý z modelů představených v této knize je popsán do hloubky, s intuitivním jednoduchým vysvětlením modelu, matematickým přepisem myšlenky a kódem v jazyce Python, který model aplikuje na příkladovou sadu dat.

Přečtením této knihy získáte konkurenční výhodu ke svým současným prognostickým dovednostem. Kniha je přizpůsobena i těm, kteří se prognostickými úlohami začali zabývat nedávno a hledají vyčerpávající knihu, která jim umožní začít s tradičními modely a postupně přecházet ke stále pokročilejším modelům.

Co se naučíte

⬤ Provádět prognózování pomocí jazyka Python.

⬤ Matematicky a intuitivně porozumět tradičním prognostickým modelům a nejmodernějším technikám strojového učení.

⬤ Získat základy prognózování a strojového učení, včetně vyhodnocování modelů, křížového ověřování a zpětného testování.

⬤ Vyberte správný model pro správný případ použití.

Pro koho je tato kniha určena.

Díky pokročilému charakteru pozdějších kapitol je kniha vhodná pro aplikované odborníky pracující v oblasti prognózování, protože modely, kterými se zabývá, byly publikovány teprve nedávno. Odborníci pracující v této oblasti budou chtít aktualizovat své dovednosti, protože tradiční modely jsou pravidelně překonávány novějšími modely.