کتاب Time Series Algorithms Recipes (دستور العمل‌های الگوریتم‌های سری زمانی: پیاده‌سازی تکنیک‌های یادگیری ماشینی و یادگیری عمیق با پایتون) یک راهنمای کامل برای یادگیری الگوریتم‌های سری زمانی است که در 5 فصل به صورت خلاصه آن را با استفاده از زبان برنامه‌نویسی پایتون آموزش می‌دهد.
در ادامه مقدمه‌ای از کتاب Time Series Algorithms Recipes را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Time Series Algorithms Recipes:
قبل از خواندن این کتاب، باید دانش اولیه‌ای از آمار، یادگیری ماشین و برنامه‌نویسی پایتون داشته باشید. اگر می‌خواهید نحوه ساخت مدل‌های پیش‌بینی سری‌های زمانی اولیه تا پیشرفته را بیاموزید، این کتاب با ارائه دستورالعمل‌هایی برای پیاده‌سازی در پایتون به شما کمک خواهد کرد. در پایان کتاب، دانش عملی از انواع مختلف روش‌های مدل سازی در سری‌های زمانی خواهید داشت.
میل به دانستن ناشناخته‌ها و پیش‌بینی آینده از دیرباز بخشی از فرهنگ بشری بوده است. این میل بشر را به سمت رشته پیش‌بینی سوق داده است. پیش‌بینی سری‌های زمانی، نقاط داده ناشناخته آینده را بر اساس الگوی مشاهده شده قبلی (گذشته) داده‌ها پیش‌بینی می‌کند. می‌تواند نه تنها به نقاط هدف قبلی و زمان (تک متغیره) بلکه به سایر متغیرهای مستقل (چند متغیره) نیز بستگی داشته باشد. این کتاب یک کتاب آشپزی حاوی دستور العمل‌های مختلف برای پیش‌بینی سری‌های زمانی است.
دانشمندان داده‌ای که پروژه سری زمانی جدیدی را شروع می‌کنند اما تجربه قبلی در این حوزه ندارند، می‌توانند به راحتی از دستور العمل‌های مختلف این کتاب، که آگنوستیک دامنه هستند، برای شروع و تسهیل روند توسعه خود استفاده کنند.
این کتاب در پنج فصل تنظیم شده است. فصل 1 دستور العمل‌هایی برای خواندن و پردازش داده‌های سری زمانی و تجزیه و تحلیل داده‌های اکتشافی اولیه (EDA) را پوشش می‌دهد. سه فصل زیر تکنیک‌های مختلف مدل‌سازی پیش‌بینی برای مجموعه داده‌های تک متغیره و چند متغیره را پوشش می‌دهد.
فصل 2 دستور العمل‌هایی برای روش‌های چند متغیره پیش‌بینی آماری دارد که با تکنیک‌های پیشرفته‌تر در فصل 3 ادامه می‌یابد. فصل 3 همچنین روش‌های آماری چند متغیره را پوشش می‌دهد.
فصل 4 پیش‌بینی سری‌های زمانی با استفاده از یادگیری ماشین (بر اساس رگرسیون) را پوشش می‌دهد. فصل 5 در مورد روش‌های پیشرفته مدل سازی سری‌های زمانی با استفاده از یادگیری عمیق است.
کد تمام پیاده‌سازی‌ها در هر فصل و مجموعه داده‌های مورد نیاز برای دانلود در github.com/apress/time-series-algorithm-recipes موجود است.
سرفصل‌های کتاب Time Series Algorithms Recipes:
- Cover
- Front Matter
- 1. Getting Started with Time Series
- 2. Statistical Univariate Modeling
- 3. Advanced Univariate and Statistical Multivariate Modeling
- 4. Machine Learning Regression–based Forecasting
- 5. Deep Learning–based Time Series Forecasting
- Back Matter
جهت دانلود کتاب Time Series Algorithms Recipes می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.