دانلود کتاب Machine Learning for Time-Series with Python: Forecast, predict and detect anomalies with state-of-the-art machine learning (به فارسی: یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با پیشرفته ترین یادگیری ماشین) نوشته شده توسط «Ben Auffarth»
اطلاعات کتاب یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با پیشرفته ترین یادگیری ماشین
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing – ebooks Account
نویسنده: Ben Auffarth
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 371
حجم فایل: 12.38 مگابایت
کد کتاب: 1801819629 , 9781801819626
توضیحات کتاب یادگیری ماشین برای سری های زمانی با پایتون: پیش بینی، پیش بینی و تشخیص ناهنجاری ها با پیشرفته ترین یادگیری ماشین
در استخراج بینش از داده های سری زمانی و تجزیه و تحلیل عملکرد یک مدل ماهر شوید
ویژگی های کلیدی
• روش‌های یادگیری ماشینی محبوب و مدرن از جمله جدیدترین الگوریتم‌های یادگیری آنلاین و عمیق را کاوش کنید
• بیاموزید که دقت پیش بینی های خود را با تطبیق مدل مناسب با مسئله مناسب افزایش دهید
• مجموعه های زمانی استاد از طریق مطالعات موردی در دنیای واقعی در مورد مدیریت عملیات، بازاریابی دیجیتال، امور مالی، و مراقبت های بهداشتی
توضیحات کتاب
یادگیری ماشینی به عنوان یک ابزار قدرتمند برای درک پیچیدگی های پنهان در مجموعه داده های سری زمانی پدیدار شده است، که اغلب نیاز به تجزیه و تحلیل در حوزه های متنوعی مانند مراقبت های بهداشتی، اقتصاد، بازاریابی دیجیتال و علوم اجتماعی دارند. این مجموعه داده‌ها برای پیش‌بینی و پیش‌بینی نتایج یا برای تشخیص ناهنجاری‌ها برای حمایت از تصمیم‌گیری آگاهانه ضروری هستند.
این کتاب اصول پایتون را برای سری‌های زمانی پوشش می‌دهد و درک شما را از مدل‌های اتورگرسیو سنتی و همچنین مدل‌های ناپارامتریک مدرن ایجاد می‌کند. با بارگیری مجموعه داده‌های سری زمانی از هر منبعی، مدل‌های یادگیری عمیق مانند شبکه‌های عصبی مکرر و مدل‌های شبکه کانولوشنی علّی، و افزایش گرادیان با مهندسی ویژگی، مطمئن خواهید شد.
یادگیری ماشین برای سری‌های زمانی با پایتون تئوری پشت چندین مدل مفید را توضیح می‌دهد و شما را در تطبیق مدل مناسب با مسئله مناسب راهنمایی می‌کند. این کتاب همچنین شامل مطالعات موردی در دنیای واقعی است که اطلاعات آب و هوا، ترافیک، دوچرخه سواری و بازار سهام را پوشش می دهد.
در پایان این کتاب، شما در تجزیه و تحلیل موثر مجموعه داده های سری زمانی با اصول یادگیری ماشین مهارت خواهید داشت.
آنچه خواهید آموخت
• کلاس های اصلی سری های زمانی را بشناسید و یاد بگیرید که چگونه نقاط پرت و الگوها را شناسایی کنید
• روش مناسب را برای حل مسائل سری زمانی انتخاب کنید
• مشخص کردن الگوهای فصلی و همبستگی از طریق خود همبستگی و تکنیک های آماری
• با تجسم داده‌های سری زمانی مقابله کنید
• مدل های سری زمانی کلاسیک مانند ARMA و ARIMA را درک کنید
• پیاده سازی مدل های یادگیری عمیق مانند فرآیندها و ترانسفورماتورهای گاوسی و مدل های پیشرفته یادگیری ماشین
• با بسیاری از کتابخانه ها مانند prophet، xgboost و TensorFlow آشنا شوید
این کتاب برای چه کسانی است
این کتاب برای تحلیلگران داده، دانشمندان داده و توسعه دهندگان پایتون که به دنبال انجام تجزیه و تحلیل سری زمانی برای پیش بینی موثر نتایج هستند، ایده آل است. دانش اولیه زبان پایتون ضروری است. آشنایی با آمار مطلوب است.
Key Features
• Explore popular and modern machine learning methods including the latest online and deep learning algorithms
• Learn to increase the accuracy of your predictions by matching the right model with the right problem
• Master time-series via real-world case studies on operations management, digital marketing, finance, and healthcare
Book Description
Machine learning has emerged as a powerful tool to understand hidden complexities in time-series datasets, which frequently need to be analyzed in areas as diverse as healthcare, economics, digital marketing, and social sciences. These datasets are essential for forecasting and predicting outcomes or for detecting anomalies to support informed decision making.
This book covers Python basics for time-series and builds your understanding of traditional autoregressive models as well as modern non-parametric models. You will become confident with loading time-series datasets from any source, deep learning models like recurrent neural networks and causal convolutional network models, and gradient boosting with feature engineering.
Machine Learning for Time-Series with Python explains the theory behind several useful models and guides you in matching the right model to the right problem. The book also includes real-world case studies covering weather, traffic, biking, and stock market data.
By the end of this book, you will be proficient in effectively analyzing time-series datasets with machine learning principles.
What you will learn
• Understand the main classes of time-series and learn how to detect outliers and patterns
• Choose the right method to solve time-series problems
• Characterize seasonal and correlation patterns through autocorrelation and statistical techniques
• Get to grips with time-series data visualization
• Understand classical time-series models like ARMA and ARIMA
• Implement deep learning models like Gaussian processes and transformers and state-of-the-art machine learning models
• Become familiar with many libraries like prophet, xgboost, and TensorFlow
Who This Book Is For
This book is ideal for data analysts, data scientists, and Python developers who are looking to perform time-series analysis to effectively predict outcomes. Basic knowledge of the Python language is essential. Familiarity with statistics is desirable.
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.