کتاب Time Series with PyTorch: Modern Deep Learning Toolkit for Real-World Forecasting Challenges 1st Edition (تحلیل سریهای زمانی با PyTorch: مجموعه ابزار یادگیری عمیق مدرن برای چالشهای پیشبینی در دنیای واقعی، چاپ اول) کتاب “Time Series with PyTorch” (چاپ اول، ۲۰۲۴) نوشتهی گریم دیویدسون و لی ما، یک منبع عملی و جامع برای استفاده از یادگیری عمیق در تحلیل و پیشبینی دادههای سری زمانی است.
کتاب Time Series with PyTorch با فرض دانش مقدماتی از آمار و پایتون، اما بدون نیاز به پیشزمینهای در پایتورچ، خواننده را از مفاهیم بنیادین شبکههای عصبی و کار با پایتورچ آغاز کرده و به معماریهای مدرن و پیشرفته مانند شبکههای بازگشتی (RNN)، مکانیزمهای توجه (Attention)، ترنسفورمرها و مدلهای تخصصی پیشبینی همچون N-BEATS، N-HiTS و Temporal Fusion Transformer (TFT) میرساند.
در ادامه مقدمهای از کتاب Time Series with PyTorch را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Time Series with PyTorch:
دادههای نهفته در بستر زمان، بخش بنیادینی از جهان ما هستند؛ آنها به ما میگویند چه چیزی رخ داده، چرا رخ داده و چه چیزی ممکن است در آینده رخ دهد. این نوع داده را همهجا میبینید؛ از ملودیهای موسیقیدان یا آهنگساز محبوبتان و فعالیت عصبی مغزتان گرفته تا انرژیای که رایانه شما را روشن نگه میدارد و زنجیره تأمین حیاتیای که غذای شما را فراهم میکند.
اغلب مردم فقط زمانی به این دادهها توجه میکنند که اتفاق بدی در حال رخ دادن باشد؛ برای مثال سقوط مالی، افزایش میانگین دمای جهانی، موارد ابتلا به کووید-۱۹ و تعداد تختهای بیمارستانی. اما در سوی دیگر این دوگانه، شاهد افزایش امید به زندگی، کاهش فقر، افزایش سواد و فراوانی عرضه غذا نیز هستیم. امروز بیش از هر زمان دیگری اطلاعات در اختیار ماست تا زندگی و محیط پیرامون خود را توضیح دهیم، و با این دادهها میتوانیم جهان اطرافمان را بهتر درک کرده و بهبود دهیم.
مدلسازی این دادهها یکی از حوزههای جذاب و چالشبرانگیز علم داده و آمار است، و به گمان من منصفانه است بگوییم بسیاری از افراد نیز آن را چنین مییابند. وابستگیهای زمانی، نایستایی، مشاهدات گمشده، مدلسازی دادههای باقیمانده و انواع فرایندهای تولید داده، همگی دست به دست هم میدهند تا پیشبینی را برای تازهکاران دشوار کنند.
این موضوع با این واقعیت سادهتر نمیشود که کتابهایی مانند Time Series Analysis اثر همیلتون، که کتابی عالی است، بدون داشتن دانش ریاضی و آماری قوی تقریباً نفوذناپذیرند. با این حال، همه لازم نیست در سطح یک تحلیلگر کمی در شرکت Renaissance Technologies باشند. افراد زیادی، مانند راب هایندمن، سخت کار کردهاند تا دانش مربوط به پیشبینی سریهای زمانی را توسعه دهند و بهبود بخشند.
شبکههای عصبی و یادگیری عمیق، بسته به اینکه چگونه آنها را تعریف کنیم، حدود اواخر دهه ۱۹۸۰ وارد صحنه شدند؛ زمانی که شبکههای پیشخور برای مدلسازی دنبالهای به کار گرفته شدند و سپس در سال ۱۹۹۷ شبکههای LSTM معرفی شدند.
از آن زمان، این روشها مفید بودند اما در پیشبینی پیشرفت چشمگیری ایجاد نکردند تا اینکه در سال ۲۰۱۷ ترنسفورمرها توسط تیمی در گوگل معرفی شدند. پس از آن، مدل N-BEATS از اورشکین و همکاران، N-HiTS و طیف گستردهای از معماریها و تکنیکهای جدید آموزشی پدید آمدند که به ما امکان میدهند یادگیری بینسریها و یادگیری انتقالی را روی مدلهای آموزشندیده و آموزشدیده اعمال کنیم.
در حال حاضر، بسیاری از این شبکهها و الگوریتمها را میتوان با PyTorch نوشت، یا هماکنون با آن نوشته شدهاند. PyTorch چارچوبی انعطافپذیر و گویا برای ساخت، آموزش و ارزیابی مدلهای پیشبینی در اختیار ما قرار میدهد؛ از شبکههای پیشخور ساده گرفته تا مدلهای بنیادینی که روی هزاران سری آموزش دیدهاند. البته افراد پرتلاش در پروژههای NeuralForecast و Darts بخش زیادی از کار را برای ما انجام دادهاند، بنابراین فقط گاهی لازم است کار را از صفر شروع کنید.
امروزه آزمایش کردن با شبکههای عصبی از هر زمان دیگری آسانتر شده است، اما این معماریها چگونه کار میکنند؟ چگونه میان آنها انتخاب کنیم؟ و چه زمانی مفید هستند؟ در پیشبینی سریهای زمانی، هیچ راهحل رایگان و همهکارهای وجود ندارد. هدف این کتاب کمک به شما برای درک همین موضوع است و میخواهد با توضیح اینکه این معماریها چگونه برای دادههای زمانی تابع میسازند، شهود شما را هدایت کند تا بتوانید با اطمینان بیشتری انتخاب کنید.
کتاب Time Series with PyTorch یک راهنمای عملی است. ما آن را برای دانشمندان داده، مهندسان یادگیری ماشین و پژوهشگرانی نوشتهایم که پیشتر تا حدی با پایتون و آمار آشنایی دارند، اما میخواهند درک کاری و عملی از رویکردهای مدرن یادگیری عمیق برای سریهای زمانی به دست آورند. هدف ما فهرست کردن تمام معماریهای منتشرشده نیست، بلکه فراهم کردن مبانی مفهومی، کدهای عملی و انضباط ارزیابیای است که برای طراحی، ساخت و ارزیابی انتقادی سامانههای پیشبینی در عمل به آن نیاز دارید.
کتاب Time Series with PyTorch در سه بخش کلی سازماندهی شده است. یکسوم نخست، یعنی فصلهای ۱ تا ۷ کتاب Time Series with PyTorch، مبانی را ایجاد میکند: اینکه چه چیزی دادههای سری زمانی را چالشبرانگیز میکند، چگونه مدلها را صادقانه ارزیابی کنیم، سازوکارهای PyTorch چیست، و چگونه شبکههای عصبی را با بازههای پیشبینی همدیس بسازیم، بهینه کنیم و کالیبره نماییم.
بخش میانی، یعنی فصلهای ۸ تا ۱۳ کتاب Time Series with PyTorch، خانوادههای اصلی معماریها را پوشش میدهد؛ از شبکههای بازگشتی و ترنسفورمرها گرفته تا شبکههای عصبی کانولوشنی، شبکههای عصبی گرافی و مدلهای مولد، از جمله خودرمزگذارهای واریانسی و انتشار، همراه با یادگیری انتقالی و راهبردهای مدلسازی سراسری.
یکسوم پایانی، یعنی فصلهای ۱۴ تا ۱۸ کتاب Time Series with PyTorch، فراتر از پیشبینی نقطهای میرود و به طبقهبندی، خوشهبندی، تعبیهها، تشخیص ناهنجاری و یادگیری خودنظارتی میپردازد؛ موضوعاتی که گستره وظایفی را بازتاب میدهند که متخصصان اغلب با آنها مواجه میشوند.
در سراسر کتاب Time Series with PyTorch، ما بر فهمیدن تأکید داریم، نه کاربرد جعبهسیاهی. میخواهیم بدانید چرا یک معماری به شیوهای که کار میکند عمل میکند، نه فقط اینکه چگونه API آن را فراخوانی کنید. هر جا ممکن باشد، پیش از نشان دادن اینکه کتابخانههایی مانند NeuralForecast و statsforecast متعلق به Nixtla چگونه میتوانند آزمایشهای شما را سرعت دهند، مدلها را از اصول اولیه در PyTorch میسازیم. امیدواریم این کتاب برایتان مفید باشد.
کتاب Time Series with PyTorch برای چه کسانی است؟
این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و آماردانانی نوشته شده است که دانش کاری از پایتون دارند و با مفاهیم اصلی یادگیری ماشین و آمار راحت هستند، اما ممکن است تجربه محدودی در بهکارگیری یادگیری عمیق برای دادههای سری زمانی داشته باشند.
ما از pandas، NumPy، Matplotlib، Seaborn و PyTorch استفاده میکنیم. آشنایی با این ابزارها مفید است، اما کاملاً ضروری نیست، بهویژه در عصر مدلهای بنیادین مولد. مبانی PyTorch در فصل ۴ کتاب Time Series with PyTorch پوشش داده میشود. هرچند آشنایی قبلی با روشهای کلاسیک سری زمانی مانند ARIMA و هموارسازی نمایی به زمینهمند کردن رویکردهای مبتنی بر معماریهای عصبی کمک میکند، اما پیشنیاز محسوب نمیشود.
با افزایش پیچیدگی کتاب، معمولاً از کتابخانههای بیشتری استفاده میکنیم تا از ارائه بیش از حد کد جلوگیری شود؛ NeuralForecast و Aeon از جمله کتابخانههای اصلی مورد استفاده هستند.
کتاب Time Series with PyTorch چه مباحثی را پوشش میدهد؟
فصل ۱، سریهای زمانی برای همه
سریهای زمانی و گذار از مدلسازی آماری به کاربرد یادگیری عمیق در زبان و سپس در سریهای زمانی را معرفی میکند.
فصل ۲، چالش سریهای زمانی
مبانی ساختار دادههای زمانی و مدلسازی روی باقیماندهها را توضیح میدهد. این فصل کتاب Time Series with PyTorch، ایستایی، دادههای گمشده، فصلی بودن، روندها و تحلیل اکتشافی داده را پوشش میدهد.
فصل ۳، ارزیابی مدلهای سری زمانی
بر روششناسی ارزیابی تمرکز دارد، از جمله بدهبستان سوگیری-واریانس، راهبردهای پسآزمایی، معیارهای خطا و اصول ارزیابی صادقانه مدل.
فصل ۴، مبانی PyTorch
شما را با تنسورها، گرافهای محاسباتی، مشتقگیری خودکار و انتزاعهای اصلی PyTorch آشنا میکند تا درک شما را شکل دهد.
فصل ۵، معماری عصبی ساده
در این فصل از کتاب Time Series with PyTorch، شبکههای عصبی ساده را از اصول اولیه میسازیم؛ از پرسپترونها و توابع فعالسازی گرفته تا شبکههای پیشخور. همچنین یک مدل پایه برای پیشبینی آموزش میدهیم.
فصل ۶، بهینهسازی
هنر بهینهسازی عملکرد شبکه را از طریق زمانبندی نرخ یادگیری، منظمسازی، توابع فعالسازی و تنظیم ابرپارامترها بررسی میکند.
فصل ۷، پیشبینی همدیس
کمّیسازی عدم قطعیت برای پیشبینیها را معرفی میکند و بازههای پیشبینی و روشهای پیشبینی همدیس را پوشش میدهد؛ روشهایی که تضمین پوشش مستقل از توزیع فراهم میکنند.
فصل ۸، شبکههای عصبی بازگشتی
با نگاهی مبتنی بر سیستمهای پویا به دادههای دنبالهای میپردازد و معماریهای RNN، LSTM و GRU را برای پیشبینی میسازد؛ از پیادهسازیهای دستی تا پایپلاینهای آموزشی عملی.
فصل ۹، ترنسفورمرها
سازوکارهای توجه و معماری ترنسفورمر را توضیح میدهد، سپس مدلهای پیشبینی مبتنی بر ترنسفورمر را پیادهسازی کرده و آنها را روی دادهها بنچمارک میکند.
فصل ۱۰، ساختارهای عصبی دیگر
خانوادههای دیگری از معماریهای عصبی را مرور میکند، از جمله شبکههای عصبی گرافی، شبکههای کولموگروف-آرنولد و مدلهای بنیادین.
فصل ۱۱، یادگیری انتقالی و مدلسازی سراسری
نحوه آموزش مدلها روی چندین سری زمانی بهصورت همزمان، استفاده از بازنماییهای ازپیشآموزشدیده و ساخت مدلهای پیشبینی سراسری را پوشش میدهد.
فصل ۱۲، دادههای مصنوعی سری زمانی
فرایندهای تولید داده را توضیح میدهد و نشان میدهد چگونه میتوان با استفاده از خودرمزگذارهای واریانسی، سریهای زمانی مصنوعی واقعگرایانه ایجاد کرد؛ همراه با پیادهسازیهای عملی TimeVAE.
فصل ۱۳، مدلهای انتشار
انتشار را بهعنوان چارچوبی مولد برای سریهای زمانی معرفی میکند و مبانی ریاضی فرایندهای انتشار پیشرو و معکوس و کاربرد آنها در پیشبینی احتمالاتی را پوشش میدهد.
فصل ۱۴، طبقهبندی سریهای زمانی
رویکردهای مبتنی بر فاصله، مبتنی بر ویژگی، شکلک، فرهنگواژه، کانولوشن و یادگیری عمیق را برای طبقهبندی دادههای زمانی پوشش میدهد و در سراسر فصل چهاردم کتاب Time Series with PyTorch از کتابخانه aeon استفاده میکند.
فصل ۱۵، خوشهبندی سریهای زمانی
مفاهیم طبقهبندی را به قلمرو بدونناظر گسترش میدهد و ویژگیسازی، الگوریتمهای خوشهبندی، رویکردهای مبتنی بر یادگیری عمیق و ارزیابی خوشهها برای دادههای زمانی را پوشش میدهد.
فصل ۱۶، تعبیهها برای سریهای زمانی
بررسی میکند چگونه میتوان سریهای زمانی را در فضاهای برداری آموختهشده بازنمایی کرد؛ از دیدگاههای مبتنی بر سیستمهای پویا تا تکنیکهای تعبیه عصبی و کاربردهای آنها در وظایف پاییندستی.
فصل ۱۷، تشخیص ناهنجاری نظارتشده و بدونناظر
رویکردهای قاعدهمحور، آماری و یادگیری ماشین را برای تشخیص ناهنجاری در سریهای زمانی پوشش میدهد، از جمله آستانههای تطبیقی، جنگلهای ایزوله، خودرمزگذارها و پروفایلسازی ماتریسی.
فصل ۱۸، یادگیری خودنظارتی برای سریهای زمانی
پارادایمهای یادگیری خودنظارتی برای دادههای زمانی را معرفی میکند و بر کدنویسی پیشبینانه کنتراستی و تکنیکهای یادگیری بازنمایی تمرکز دارد که وابستگی به دادههای برچسبدار را کاهش میدهند.
سرفصلهای کتاب Time Series with PyTorch:
- Cover
- Title Page
- Copyright and Credits
- Dedication
- Acknowledgments
- Contributors
- Table of Contents
- Preface
- Chapter 1: Time Series for Everyone
- Chapter 2: The Challenge of Time Series
- Chapter 3: Evaluating Time-Series Models
- Chapter 4: PyTorch Fundamentals
- Chapter 5: Simple Neural Architecture
- Chapter 6: Optimization
- Chapter 7: Conformal Prediction
- Chapter 8: Recurrent Neural Networks
- Chapter 9: Transformers
- Chapter 10: Other Neural Structures
- Chapter 11: Transfer Learning and Global Modelling
- Chapter 12: Synthetic Time Series Data
- Chapter 13: Diffusion Models
- Chapter 14: Time Series Classification
- Chapter 15: Time Series Clustering
- Chapter 16: Embeddings for Time Series
- Chapter 17: Supervised and Unsupervised Anomaly Detection
- Chapter 18: Self-Supervised Learning for Time Series
- Chapter 19: Unlock Your Exclusive Benefits
- Other Books You May Enjoy
- Index
جهت دانلود کتاب Time Series with PyTorch میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.