کتاب Mastering Time Series Analysis and Forecasting with Python

فصل ۴: تحلیل اکتشافی داده‌های سری‌های زمانی

در این فصل جامع از کتاب Mastering Time Series Analysis and Forecasting with Python، خوانندگان سفری را به ماهیت بنیادی تحلیل داده‌های سری‌های زمانی آغاز می‌کنند.

۱. بارگذاری و بررسی اولیه‌ی داده‌ها:

با شروع از کارهای ضروریِ بارگذاری و بررسی اولیه‌ی داده‌های سری‌های زمانی، خوانندگان در پیمایش مجموعه داده‌های متنوع مهارت پیدا می‌کنند.

۲. آمار توصیفی:

از طریق کاوش در آمار توصیفی، خوانندگان بینش‌های کلیدی در مورد ویژگی‌ها و توزیع داده‌های سری‌های زمانی به دست می‌آورند که مبنایی برای تحلیل‌های عمیق‌تر ایجاد می‌کند.

۳. تکنیک‌های پیشرفته:

این بخش از کتاب Mastering Time Series Analysis and Forecasting with Python، همچنین با بررسی تکنیک‌های پیشرفته‌ای مانند تجزیه‌ی سری‌های زمانی، تحلیل ایستایی و تحلیل خودهمبستگی، خوانندگان را به ابزارهایی برای تشخیص الگوها و ساختارهای زیربنایی در داده‌های سری‌های زمانی مجهز می‌کند.

۴. آمارهای متحرک:

علاوه بر این، خوانندگان با اهمیت آمارهای متحرک در کشف روندها و تغییرات زمانی آشنا می‌شوند و این امر آن‌ها را قادر می‌سازد تا بینش‌های معناداری را از مجموعه داده‌های پویا استخراج کنند.

این بخش از کتاب Mastering Time Series Analysis and Forecasting with Python با تکیه بر مثال‌های کاربردی و توضیحات روشن، به عنوان راهنمای ضروری برای تسلط بر اصول اساسی تحلیل داده‌های سری‌های زمانی عمل می‌کند.

فصل ۵: مهندسی ویژگی برای سری‌های زمانی

در این فصل از کتاب Mastering Time Series Analysis and Forecasting with Python، پرمحتوا، خوانندگان به دنیای پیچیده‌ی مهندسی ویژگی برای داده‌های سری‌های زمانی وارد می‌شوند.

۱. مهندسی ویژگی تک‌متغیره:

با کاوش در تکنیک‌های مهندسی ویژگی تک‌متغیره، خوانندگان یاد می‌گیرند که چگونه ویژگی‌های مبتنی بر تاخیر ایجاد کنند، آمارهای متحرک را محاسبه کنند، آمارهای پنجره‌ی گسترش‌پذیر را استخراج کنند و میانگین‌های متحرک نمایی را محاسبه کنند. از طریق مثال‌های کاربردی و توضیحات گام به گام، خوانندگان درک عمیقی از کاربرد و اهمیت هر تکنیک در کشف الگوها و روابط زمانی در داده‌های سری‌های زمانی تک‌متغیره به دست خواهند آورد.

۲. مهندسی ویژگی چندمتغیره:

این فصل از کتاب Mastering Time Series Analysis and Forecasting with Python، با ورود به حوزه‌ی مهندسی ویژگی چندمتغیره، به خوانندگان نحوه‌ی ساخت ویژگی‌های چندمتغیره مبتنی بر تاخیر، تولید ویژگی‌های مبتنی بر اصطلاحات برهم‌کنش و استخراج ویژگی‌های تجمعی را آموزش می‌دهد. با تسلط بر این تکنیک‌ها، خوانندگان مهارت استخراج بینش‌های ارزشمند و تقویت قدرت پیش‌بینی مدل‌های سری‌های زمانی خود را به دست می‌آورند که این امر موجب ارتقاء تلاش‌های آن‌ها در علم داده می‌شود.

فصل ۷: پیش‌بینی سری‌های زمانی با رویکرد یادگیری ماشین – بخش ۲

فصل هفتم کتاب Mastering Time Series Analysis and Forecasting with Python، سفری جذاب در دنیای الگوریتم‌های متنوع یادگیری ماشین برای پیش‌بینی سری‌های زمانی است.

۱. مدل‌های پنهان مارکوف (HMM):

ابتدا با مروری جامع بر مدل‌های پنهان مارکوف (HMM) آغاز می‌کنیم. در این بخش با پیچیدگی‌های این چارچوب احتمالی و کاربرد آن در کشف حالات پنهان و گذارها در داده‌های سری‌های زمانی آشنا می‌شوید.

۲. فرایندهای گاوسی (Gaussian Processes):

سپس به دنیای فرایندهای گاوسی وارد می‌شویم و انعطاف‌پذیری ذاتی و توانایی آنها در مدل‌سازی روابط پیچیده در داده‌های سری‌های زمانی را بررسی می‌کنیم.

۳. توسعه‌ی راه‌حل‌های سفارشی با یادگیری ماشین:

در ادامه، هنر توسعه‌ی راه‌حل‌های سفارشی با یادگیری ماشین برای پیش‌بینی سری‌های زمانی را کشف خواهید کرد. این راه‌حل‌ها از قدرت پیش‌بینی الگوریتم‌هایی مانند ماشین بردار پشتیبان (SVM)، همسایه‌ی نزدیک کا (KNN)، جنگل تصادفی (Random Forest) و تقویت گرادیان (Gradient Boosting) استفاده می‌کنند.

با تکیه بر مثال‌های کاربردی و مباحث عمیق، به درک ارزشمندی از طیف وسیع تکنیک‌های یادگیری ماشین در تحلیل سری‌های زمانی دست خواهید یافت. این دانش به شما امکان می‌دهد تا تصمیمات آگاهانه بگیرید و بینش‌های عملیاتی را از داده‌های خود استخراج کنید.

فصل ۸: پیش‌بینی سری‌های زمانی با رویکرد یادگیری عمیق

این فصل از کتاب Mastering Time Series Analysis and Forecasting with Python، سفری روشنگرانه به دنیای یادگیری عمیق برای پیش‌بینی سری‌های زمانی است.

۱. شبکه‌های حافظه‌ی بلندمدت و کوتاه‌مدت (LSTM):

اولین گام، بررسی عمیق شبکه‌های حافظه‌ی بلندمدت و کوتاه‌مدت (LSTM) است. با عملکرد درونی این شبکه‌های عصبی بازگشتی قدرتمند که برای ثبت وابستگی‌های بلندمدت در داده‌های ترتیبی طراحی شده‌اند، آشنا می‌شوید. از طریق مثال‌های کاربردی و مباحث عمیق، درک جامعی از چگونگی اعمال موثر شبکه‌های LSTM برای پیش‌بینی سری‌های زمانی به دست خواهید آورد.