کتاب Time Series Analysis with Python Cookbook

کتاب Time Series Analysis with Python Cookbook (تجزیه و تحلیل سری زمانی با کتاب راهنمای پایتون: دستور العمل‌های عملی برای تجزیه و تحلیل داده‌های اکتشافی، آماده‌سازی داده‌ها، پیش‌بینی و ارزیابی مدل) از جدیدترین منابع مربوط به علوم داده می‌باشد که با زبانی ساده و شیوا به شرح دستورات مربوط به این حوزه در زبان پایتون خواهد پرداخت. این کتاب در 15 فصل به آموزش مقدمات تحلیل سری زمانی تا بیان نکات مهم و پیشرفته‌ی آن خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Time Series Analysis with Python Cookbook را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Time Series Analysis with Python Cookbook:

ارتباط آشنایی مردم بین پیش‌بینی و داده‌های مالی است. در واقعیت، پیش‌بینی در بسیاری از صنایع استفاده می‌شود و از داده‌های تاریخی برای پیش‌بینی‌های آینده استفاده می‌شود. به طور خاص، این کتاب در مورد تجزیه و تحلیل سری‌های زمانی است، فرآیندی برای به دست آوردن بینش بهتر از داده‌های تاریخی، گرفتن روندها و الگوهای چرخه‌ای، و ساخت یک مدل پیش‌بینی مناسب.

هنگام کار با داده‌هایی که حاوی مشاهداتی هستند که در طول زمان تغییر می‌کنند و در بازه‌های زمانی مشخص ثبت می‌شوند، با داده‌های سری زمانی سروکار دارید. داده‌های سری زمانی را در بسیاری از حوزه‌ها خواهید یافت، و رشته تحلیل سری‌های زمانی موارد استفاده مختلف را پوشش می‌دهد.

به عنوان مثال، تجزیه و تحلیل سری‌های زمانی در علم (پیش‌بینی آب و هوا، زلزله، کیفیت هوا، یا رشد گونه‌ها)، امور مالی (پیش‌بینی بازده سهام، بودجه، فروش یا نوسانات)، دولت (پیش‌بینی تورم، نرخ بیکاری، تولید ناخالص داخلی، یا جمعیت) استفاده می‌شود. نرخ تولد)، پزشکی (ردیابی انتقال بیماری‌های عفونی، پایش نوار قلب یا قند خون، یا پیش‌بینی هزینه‌های مراقبت‌های بهداشتی)، مهندسی (نگهداری پیش‌بینی، تجزیه و تحلیل کاهش تولید، یا پیش‌بینی حجم ترافیک)، تجارت (مدیریت موجودی، برنامه‌ریزی تقاضای محصول، برنامه ریزی منابع) ، و خیلی بیشتر. تقریباً، داده‌های سری زمانی در اطراف ما وجود دارد، و شما قطعاً با چنین داده‌هایی مواجه خواهید شد.

با انتخاب این کتاب، شما به دنبال دستور العمل‌های عملی هستید که بتوانید به کار ببرید و از آن‌ها استفاده کنید – کمتر در تئوری و بیشتر در مورد عملی. این کتاب شما را در سفر کامل تجزیه و تحلیل سری‌های زمانی، پوشش فرآیند پایان به انتها، از جمله به دست آوردن و جذب انواع مختلف داده‌های سری زمانی، کاوش در داده‌ها، تبدیل و دستکاری داده‌ها، و مدل‌های آموزشی برای استفاده در پیش‌بینی.

کتاب Time Series Analysis with Python Cookbook مفاهیم، ​​تکنیک‌ها و الگوریتم‌های رایج و رویکردهای پیشرفته تر و جدیدتر را با استفاده عملی پوشش می‌دهد. به عنوان مثال، شما یاد خواهید گرفت که مدل‌های مختلف را آموزش دهید و اعتبارسنجی کنید که شامل روش‌های آماری، الگوریتم‌های یادگیری ماشین، و معماری‌های یادگیری عمیق مختلف برای پیش‌بینی و تشخیص موارد پرت (یا ناهنجاری) است.

مهمتر از همه، تنوع مجموعه داده‌های مورد استفاده در این کتاب به شما بینش بهتری در مورد نحوه عملکرد این مدل‌های مختلف می‌دهد و چگونه می‌توانید مناسب‌ترین رویکرد را برای حل مشکل خاص خود انتخاب کنید.

این کتاب برای چه کسی است؟

کتاب Time Series Analysis with Python Cookbook برای تحلیلگران داده، تحلیلگران کسب و کار، دانشمندان داده، مهندسان داده یا توسعه دهندگان پایتون است که دستور العمل‌های عملی پایتون را برای تجزیه و تحلیل سری‌های زمانی و تکنیک‌های پیش‌بینی می‌خواهند. دانش اساسی برنامه نویسی پایتون مورد نیاز است. اگرچه داشتن پیشینه ریاضی و آمار اولیه مفید خواهد بود، اما ضروری نیست. تجربه قبلی کار با داده‌های سری زمانی برای حل مشکلات تجاری نیز به شما کمک می‌کند تا از دستور العمل‌های مختلف این کتاب بهتر استفاده و به کار ببرید.

آنچه این کتاب پوشش می‌دهد:

فصل 1، شروع به تجزیه و تحلیل سری‌های زمانی، یک مقدمه کلی برای بهترین شیوه‌های توسعه پایتون است. با تکنیک‌های مختلف برای ایجاد و مدیریت محیط‌های مجازی، نصب و مدیریت بسته‌های پایتون، مدیریت وابستگی‌ها و در نهایت نحوه نصب و مدیریت افزونه‌های Jupyter آشنا خواهید شد.

فصل 2 کتاب Time Series Analysis with Python Cookbook، خواندن داده‌های سری زمانی از فایل‌ها، مقدمه‌ای بر داده‌های سری زمانی است. این فصل به شما نشان می‌دهد که چگونه داده‌ها را از انواع فایل‌های مختلف و پرکاربرد، چه به صورت محلی و چه در فضای ابری ذخیره شده، بخوانید. دستور العمل‌ها گزینه‌های پیشرفته‌ای را برای مصرف، آماده سازی و تبدیل داده‌ها به یک DataFrame سری زمانی برای تجزیه و تحلیل بعدی برجسته می‌کنند.

فصل 3 کتاب Time Series Analysis with Python Cookbook، خواندن داده‌های سری زمانی از پایگاه‌های داده، برگرفته از فصل 2، خواندن داده‌های سری زمانی از فایل‌ها، و بر خواندن داده‌ها از سیستم‌های پایگاه داده مختلف، از جمله رابطه ای (PostgreSQL و MySQL) و غیر رابطه‌ای (MongoDB و InfluxDB) تمرکز دارد. چه در محل یا یک سرویس ابری (Amazon Redshift و Snowflake). دستور العمل‌ها روش‌ها و تکنیک‌های مختلفی را برای ارائه انعطاف‌پذیری در مورد نحوه جذب، آماده سازی و تبدیل داده‌ها به یک DataFrame سری زمانی برای تجزیه و تحلیل بعدی برجسته می‌کنند.

فصل 4 کتاب Time Series Analysis with Python Cookbook، تداوم داده‌های سری زمانی در فایل‌ها، گزینه‌های مختلف و موارد استفاده را برای ذخیره داده‌های سری زمانی برای بازیابی بعدی پوشش می‌دهد. این تکنیک‌ها روش‌ها و انواع فایل‌های مختلف را پوشش می‌دهند، چه در محل و چه در فضای ابری. علاوه بر این، این فصل سریال سازی، فشرده سازی، بازنویسی یا الحاق به فایل‌ها را پوشش می‌دهد.

فصل 5، تداوم داده‌های سری زمانی در پایگاه‌های داده، مبتنی بر فصل 4، پایداری داده‌های سری زمانی در فایل‌ها، با تمرکز بر نوشتن داده‌ها برای مقیاس است. این تکنیک‌های مختلف برای نوشتن داده‌ها در سیستم‌های پایگاه‌داده رابطه‌ای و غیررابطه‌ای را پوشش می‌دهد، مانند مواردی که در فصل 2، خواندن داده‌های سری زمانی از فایل‌ها، از جمله سرویس‌های داخلی و ابری مورد بحث قرار گرفت.

فصل 6 کتاب Time Series Analysis with Python Cookbook، کار با تاریخ و زمان در پایتون، رویکردی عملی و شهودی برای موضوعی ترسناک دارد. شما یاد خواهید گرفت که چگونه با پیچیدگی تاریخ و زمان در داده‌های سری زمانی خود کنار بیایید. این فصل موارد استفاده عملی را برای رسیدگی به مناطق زمانی، تعطیلات سفارشی و روزهای کاری، کار با دوره Unix و UTC نشان می‌دهد. به طور معمول، این موضوع ترسناک به روشی جالب و عملی ارائه می‌شود که برای اعمال فوری آن برای شما مفید خواهد بود.

فصل 7 کتاب Time Series Analysis with Python Cookbook، مدیریت داده‌های از دست رفته، روش‌های مختلف برای شناسایی و مدیریت داده‌های از دست رفته را بررسی می‌کند. شما تکنیک‌های مختلف انتساب و درون‌یابی را یاد خواهید گرفت. این فصل با روش‌های آماری ساده برای انتساب تک متغیره شروع می‌شود و سپس الگوریتم‌های درونیابی تک متغیره مختلف را برای انتساب چند متغیره پیشرفته‌تر بررسی می‌کند.

فصل 8 کتاب Time Series Analysis with Python Cookbook، تشخیص نقاط پرت با استفاده از روش‌های آماری، روش‌های آماری برای تشخیص نقاط پرت و ناهنجاری را پوشش می‌دهد. تفسیر و پیاده‌سازی این تکنیک‌های عملی و در عین حال ساده آسان است. این فصل از داده‌های معیار ناهنجاری Numenta (NAB) برای ارزیابی الگوریتم‌های مختلف تشخیص ناهنجاری استفاده می‌کند.

فصل 9، تجزیه و تحلیل داده‌های اکتشافی و تشخیص، به تکنیک‌های تجسم برای تجزیه و تحلیل مؤثر داده‌های اکتشافی (EDA) با تجسم‌های تعاملی می‌پردازد. شما یاد خواهید گرفت که چگونه داده‌های سری زمانی خود را بررسی و تشخیص دهید تا مفروضات خاصی مانند ثابت بودن و خودهمبستگی را آزمایش کنید. در نهایت، این فصل دستور العمل‌های عملی برای تبدیل داده‌های سری زمانی شما با استفاده از یک خانواده از روش‌های تبدیل قدرت، تجزیه، و تفاوت را پوشش می‌دهد.

فصل 10 کتاب Time Series Analysis with Python Cookbook، ساخت مدل‌های سری زمانی تک متغیره با استفاده از روش‌های آماری، سفر به مدل‌سازی و پیش‌بینی سری‌های زمانی را آغاز می‌کند. این فصل به طور مستقیم توضیح می‌دهد که نمودارهای تابع خودهمبستگی (ACF) و تابع خود همبستگی جزئی (PACF) چیست و چگونه استفاده می‌شوند، و سپس به آموزش، تشخیص و مقایسه مدل‌های مختلف، از جمله هموارسازی نمایی، میانگین متحرک یکپارچه اتورگرسیو (ARIMA) می‌پردازد. و ARIMA فصلی (SARIMA). علاوه بر این، این فصل جستجوی شبکه و تنظیم هایپرپارامتر را معرفی می‌کند.

فصل 11، تکنیک‌های مدل‌سازی آماری اضافی برای سری‌های زمانی، برگرفته از فصل 10، ساخت مدل‌های سری زمانی تک متغیره با استفاده از روش‌های آماری، غواصی در مدل‌های پیشرفته‌تر و کاربردی‌تر، مانند خودرگرسیون برداری (VAR) برای سری‌های زمانی چند متغیره، اتورگرسیو اتورگرسیوی تعمیم‌یافته. (GARCH) برای پیش‌بینی نوسانات، و مقدمه ای بر الگوریتم پیامبر و کتابخانه.

فصل 12 کتاب Time Series Analysis with Python Cookbook، پیش‌بینی با استفاده از یادگیری ماشینی نظارت شده، شما را از تکنیک‌های پیش‌بینی سری‌های زمانی کلاسیک به الگوریتم‌های پیشرفته‌تر یادگیری ماشین می‌برد. این فصل نشان می‌دهد که چگونه داده‌های سری زمانی را می‌توان به‌طور مناسب تبدیل کرد تا برای یادگیری ماشین نظارت‌شده مناسب باشد. علاوه بر این، انواع الگوریتم‌های یادگیری ماشینی را بررسی خواهید کرد و پیش‌بینی چند مرحله‌ای را با استفاده از scikit-learn و sktime پیاده‌سازی خواهید کرد.

فصل 13 کتاب Time Series Analysis with Python Cookbook، یادگیری عمیق برای پیش‌بینی سری‌های زمانی، معماری‌های پیشرفته‌تر یادگیری عمیق را با استفاده از TensorFlow/Keras و PyTorch پوشش می‌دهد. این فصل با یک API سطح بالا (Keras) شروع می‌شود و سپس با استفاده از یک API سطح پایین تر (PyTorch) به پیاده‌سازی‌های پیچیده‌تر می‌پردازد.

فصل 14 کتاب Time Series Analysis with Python Cookbook، تشخیص نقاط پرت با استفاده از یادگیری ماشینی بدون نظارت، از فصل 8، تشخیص نقاط پرت با استفاده از روش‌های آماری ادامه می‌یابد، اما بر روش‌های پیشرفته‌تر یادگیری ماشین بدون نظارت تمرکز دارد. شما از مجموعه داده‌های یکسانی از NAB استفاده خواهید کرد تا بتوانید تکنیک‌های آماری و یادگیری ماشینی را با استفاده از داده‌های معیار مشابه مقایسه کنید. این تکنیک‌ها انواع الگوریتم‌های یادگیری ماشین را پوشش می‌دهند.

فصل 15 کتاب Time Series Analysis with Python Cookbook، تکنیک‌های پیشرفته برای سری‌های زمانی پیچیده، داده‌های سری زمانی پیچیده‌تری را معرفی می‌کند که حاوی الگوهای فصلی متعدد است. این فصل شامل چگونگی تجزیه داده‌های سری زمانی می‌شود و تکنیک‌های مدل‌سازی مختلف از جمله مدل‌های فضای حالت را بررسی می‌کند.

سرفصل‌های کتاب Time Series Analysis with Python Cookbook:

• Contributors
• About the author
• About the reviewers
• Preface
• Chapter 1: Getting Started with Time Series Analysis
• Chapter 2: Reading Time Series Data from Files
• Chapter 3: Reading Time Series Data from Databases
• Chapter 4: Persisting Time Series Data to Files
• Chapter 5: Persisting Time Series Data to Databases
• Chapter 6: Working with Date and Time in Python
• Chapter 7: Handling Missing Data
• Chapter 8: Outlier Detection Using Statistical Methods
• Chapter 9: Exploratory Data Analysis and Diagnosis
• Chapter 10: Building Univariate Time Series Models Using Statistical Methods
• Chapter 11: Additional Statistical Modeling Techniques for Time Series
• Chapter 12: Forecasting Using Supervised Machine Learning
• Chapter 13: Deep Learning for Time Series Forecasting
• Chapter 14: Outlier Detection Using Unsupervised Machine Learning
• Chapter 15: Advanced Techniques for Complex Time Series
• Other Books You May Enjoy

جهت دانلود کتاب Time Series Analysis with Python Cookbook می‌توانید پس از پرداخت، دریافت کنید.