دانلود کتاب Practical time series analysis: master time series data processing, visualization, and modeling using Python (به فارسی: تجزیه و تحلیل عملی سری زمانی: پردازش داده های سری زمانی، تجسم و مدل سازی با استفاده از پایتون) نوشته شده توسط «Avishek Pal – PKS Prakash»
اطلاعات کتاب تجزیه و تحلیل عملی سری زمانی: پردازش داده های سری زمانی، تجسم و مدل سازی با استفاده از پایتون
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Avishek Pal – PKS Prakash
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2017
تعداد صفحه: 244 / 238
حجم فایل: 11.80 مگابایت
کد کتاب: 178829419X , 9781788294195
توضیحات کتاب تجزیه و تحلیل عملی سری زمانی: پردازش داده های سری زمانی، تجسم و مدل سازی با استفاده از پایتون
تجزیه و تحلیل سری زمانی به ما امکان می دهد داده هایی را که در یک دوره زمانی تولید می شوند و وابستگی متقابل متوالی بین مشاهدات دارند، تجزیه و تحلیل کنیم. این کتاب ترفندها و تکنیک‌های ریاضی ویژه‌ای را شرح می‌دهد که در جهت کاوش در ساختارهای داخلی داده‌های سری زمانی و ایجاد بینش‌های توصیفی و پیش‌بینی قدرتمند هستند. همچنین، کتاب مملو از نمونه‌های واقعی سری‌های زمانی و تحلیل‌های آنها با استفاده از راه‌حل‌های پیشرفته توسعه‌یافته در پایتون است.
کتاب با تجزیه و تحلیل توصیفی شروع می شود تا تجسم های روشنگری از ساختارهای داخلی مانند روند، فصلی و خود همبستگی ایجاد کند. در ادامه، روش های آماری مقابله با همبستگی خودکار و سری های زمانی غیر ایستا تشریح می شود. این امر با هموارسازی نمایی دنبال می‌شود تا بینش معنی‌داری از داده‌های سری زمانی پر سر و صدا ایجاد کند. در این مرحله، ما تمرکز را به سمت تحلیل پیش‌بینی می‌کنیم و مدل‌های خودرگرسیون مانند ARMA و ARIMA را برای پیش‌بینی سری‌های زمانی معرفی می‌کنیم. بعداً، روش‌های یادگیری عمیق قدرتمند برای توسعه مدل‌های پیش‌بینی دقیق برای سری‌های زمانی پیچیده و در دسترس بودن دانش کمی از حوزه ارائه می‌شوند. همه موضوعات با سناریوهای مسائل واقعی و راه‌حل‌های آنها توسط بهترین پیاده‌سازی در پایتون نشان داده شده‌اند.
این کتاب با ضمیمه، با بحث مختصری در مورد برنامه نویسی و حل مسائل علم داده با استفاده از پایتون به پایان می رسد.
آنچه خواهید آموخت
• مفاهیم اساسی تجزیه و تحلیل سری های زمانی را درک کنید و از اهمیت آن برای موفقیت یک پروژه علم داده قدردانی کنید
• درک درستی از بارگیری، کاوش، و تجسم داده های سری زمانی ایجاد کنید
• همبستگی خودکار را کاوش کنید و دانش تکنیک های آماری برای مقابله با سری های زمانی غیرایستایی را به دست آورید
• از هموارسازی نمایی برای مقابله با نویز در داده های سری زمانی استفاده کنید
• نحوه استفاده از مدل های رگرسیون خودکار برای پیش بینی با استفاده از داده های سری زمانی را بیاموزید
• ساخت مدل های پیش بینی بر روی سری های زمانی با استفاده از تکنیک های مبتنی بر میانگین متحرک رگرسیون خودکار
• پیشرفت های اخیر در یادگیری عمیق را برای ایجاد مدل های پیش بینی دقیق برای سری های زمانی کشف کنید
• با اصول اولیه پایتون به عنوان یک زبان برنامه نویسی قدرتمند و در عین حال ساده برای نوشتن آشنا شوید
The book starts with descriptive analysis to create insightful visualizations of internal structures such as trend, seasonality and autocorrelation. Next, the statistical methods of dealing with autocorrelation and non-stationary time series are described. This is followed by exponential smoothing to produce meaningful insights from noisy time series data. At this point, we shift focus towards predictive analysis and introduce autoregressive models such as ARMA and ARIMA for time series forecasting. Later, powerful deep learning methods are presented, to develop accurate forecasting models for complex time series, and under the availability of little domain knowledge. All the topics are illustrated with real-life problem scenarios and their solutions by best-practice implementations in Python.
The book concludes with the Appendix, with a brief discussion of programming and solving data science problems using Python.
What You Will Learn
• Understand the basic concepts of Time Series Analysis and appreciate its importance for the success of a data science project
• Develop an understanding of loading, exploring, and visualizing time-series data
• Explore auto-correlation and gain knowledge of statistical techniques to deal with non-stationarity time series
• Take advantage of exponential smoothing to tackle noise in time series data
• Learn how to use auto-regressive models to make predictions using time-series data
• Build predictive models on time series using techniques based on auto-regressive moving averages
• Discover recent advancements in deep learning to build accurate forecasting models for time series
• Gain familiarity with the basics of Python as a powerful yet simple to write programming language
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.