کتاب Time Series Forecasting in Python

کتاب Time Series Forecasting in Python (پیش‌بینی سری‌های زمانی در پایتون) در 21 فصل به شرح و بررسی سری‌های زمانی و پیش‌بینی آنها با استفاده از زبان برنامه‌نویسی پایتون خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Time Series Forecasting in Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Time Series Forecasting in Python:

وقتی در بانک کار می‌کردم، به سرعت متوجه شدم که زمان یک عامل مهم است. نرخ بهره در طول زمان متفاوت است، هزینه‌های مردم در طول زمان متفاوت است، قیمت دارایی‌ها در طول زمان متفاوت است. با این حال متوجه شدم اکثر مردم، از جمله من، با سری‌های زمانی ناراحت هستند. بنابراین تصمیم گرفتم پیش‌بینی سری‌های زمانی را یاد بگیرم.

معلوم شد که سخت‌تر از حد انتظار بود زیرا هر منبعی که پیدا کردم در R بود. من با پایتون راحت هستم و پایتون بدون شک محبوب‌ترین زبان برای علم داده در صنعت است. در حالی که R شما را به محاسبات آماری محدود می‌کند، پایتون به شما امکان کدنویسی وب‌سایت‌ها، انجام یادگیری ماشینی، استقرار مدل‌ها، ساخت سرورها و موارد دیگر را می‌دهد.

بنابراین، برای یادگیری پیش‌بینی سری‌های زمانی، مجبور شدم بسیاری از کدهای R را به پایتون ترجمه کنم. آن زمان بود که شکاف را تشخیص دادم و به اندازه کافی خوش شانس بودم که به من فرصت داد تا کتابی در مورد آن بنویسم.

با این کتاب، امیدوارم بتوانم یک مرجع یک مرحله ای برای پیش‌بینی سری‌های زمانی با پایتون ایجاد کنم. هم مدل‌های آماری و هم مدل‌های یادگیری ماشین را پوشش می‌دهد، و همچنین کتابخانه‌های پیش‌بینی خودکار را مورد بحث قرار می‌دهد، زیرا آن‌ها به طور گسترده در صنعت استفاده می‌شوند و اغلب به عنوان مدل‌های پایه عمل می‌کنند.

کتاب Time Series Forecasting in Python به شدت بر رویکرد عملی و عملی، با سناریوهای مختلف زندگی واقعی تأکید دارد. در زندگی واقعی، داده‌ها نامرتب، کثیف و گاهی مفقود هستند، و من می‌خواستم به خوانندگان فضای امنی بدهم تا با آن مشکلات آزمایش کنند، از آن‌ها بیاموزند و به راحتی آن مهارت‌ها را به پروژه‌های خودشان منتقل کنند.

کتاب Time Series Forecasting in Python بر پیش‌بینی سری‌های زمانی تمرکز دارد. البته، با داده‌های سری زمانی، می‌توانیم طبقه‌بندی یا تشخیص ناهنجاری را نیز انجام دهیم، اما این کتاب فقط به پیش‌بینی می‌پردازد تا دامنه را قابل مدیریت نگه دارد.

در هر فصل، تمرین‌هایی را خواهید یافت که می‌توانید از آن‌ها برای تمرین و تقویت مهارت‌های خود استفاده کنید. هر تمرین با یک راه حل کامل در GitHub ارائه می‌شود. اکیداً پیشنهاد می کنم برای تکمیل آن‌ها وقت بگذارید، زیرا مهارت‌های عملی مهمی را به دست خواهید آورد. آن‌ها یک راه عالی برای آزمایش دانش شما، دیدن آنچه که باید در یک فصل معین مجدداً مرور کنید و تکنیک‌های مدل‌سازی را در سناریوهای جدید به کار می‌برند، ارائه می‌دهند.

پس از خواندن فصل‌ها و تکمیل تمرین‌ها، تمام ابزارهای لازم برای مقابله با هر پروژه پیش‌بینی را با اطمینان و نتایج عالی در اختیار خواهید داشت. امیدوارم شما نیز کنجکاوی و انگیزه فراتر رفتن از این کتاب و تبدیل شدن به یک متخصص سری زمانی را به دست آورید.

کتاب Time Series Forecasting in Python برای کمک به دانشمندان داده در تسلط بر پیش‌بینی سری‌های زمانی و کمک به حرفه‌ای‌ها برای انتقال از R به Python برای تجزیه و تحلیل سری‌های زمانی نوشته شده است. با تعریف داده‌های سری زمانی و برجسته کردن منحصربه‌فرد بودن کار با آن نوع داده شروع می‌شود (به عنوان مثال، نمی‌توانید داده‌ها را به هم بزنید). سپس مدل‌های پایه را در حال توسعه می‌گذراند و زمانی را بررسی می‌کند که پیش‌بینی منطقی نیست.

فصل‌های بعدی عمیقاً به تکنیک‌های پیش‌بینی می‌پردازند و به تدریج پیچیدگی مدل‌ها را از مدل‌های آماری تا مدل‌های یادگیری عمیق افزایش می‌دهند. در نهایت، این کتاب کتابخانه‌های پیش‌بینی خودکار را پوشش می‌دهد که می‌تواند روند پیش‌بینی را تا حد زیادی سرعت بخشد. این به شما احساس می‌کند که در صنعت چه کاری انجام می‌شود.

چه کسی باید کتاب Time Series Forecasting in Python را بخواند؟

این کتاب برای دانشمندان داده ای است که می‌دانند چگونه وظایف رگرسیون و طبقه بندی سنتی را انجام دهند اما وقتی نوبت به سری‌های زمانی می‌رسد خود را گیر کرده اند. اگر تا به حال ستون تاریخ را حذف کرده اید، این کتاب قطعا برای شما مناسب است!

کتاب Time Series Forecasting in Python همچنین برای حرفه‌ای‌هایی است که در R به دنبال انتقال به پایتون هستند. R یک زبان عالی برای پیش‌بینی سری‌های زمانی است، و روش‌های زیادی در R پیاده‌سازی شده‌اند. با این حال، پایتون محبوب‌ترین زبان برای علم داده است و این مزیت را دارد که در مدل‌های یادگیری عمیق اعمال می‌شود، چیزی که R می‌تواند. انجام دهید.

نحوه سازماندهی کتاب Time Series Forecasting in Python: نقشه راه

این کتاب دارای 4 بخش و 21 فصل است.

بخش 1 مقدمه ای بر پیش‌بینی سری‌های زمانی است. ما مفهوم داده‌های سری زمانی را رسمی می‌کنیم، مدل‌های پایه را توسعه می‌دهیم و می‌بینیم که چه زمانی پیش‌بینی یک راه معقول نیست:

فصل 1 داده‌های سری زمانی را تعریف می‌کند و چرخه حیات یک پروژه پیش‌بینی را بررسی می‌کند.

در فصل 2 مدل‌های پایه را توسعه می‌دهیم، زیرا یک مدل فقط در رابطه با مدل دیگری قابل ارزیابی است. بنابراین مهم است که ابتدا یک مدل پیش‌بینی ساده قبل از حرکت به سمت تکنیک‌های پیچیده‌تر داشته باشیم.

در فصل 3 ما مدل پیاده‌روی تصادفی را مطالعه می‌کنیم، که یک سناریوی خاص است که در آن نمی‌توان پیش‌بینی را به طور منطقی با مدل‌های پیشرفته انجام داد و باید به مدل‌های پایه ساده متوسل شویم.

بخش 2 بر پیش‌بینی با مدل‌های آماری تمرکز دارد:

در فصل 4 کتاب Time Series Forecasting in Python، مدل میانگین متحرک، MA(q)، یکی از اجزای سازنده تکنیک‌های پیش‌بینی پیچیده‌تر را توسعه خواهیم داد.

در فصل 5 ما مدل خودرگرسیون، AR(p)، مدل پایه دیگر را برای سناریوهای پیچیده تر توسعه خواهیم داد.

در فصل 6 کتاب Time Series Forecasting in Python ما مدل‌های AR(p) و MA(q) را برای تشکیل مدل ARMA(p,q) ترکیب می‌کنیم و یک روش پیش‌بینی جدید طراحی می‌کنیم.

در فصل 7 ما بر اساس فصل قبل برای مدل‌سازی سری‌های زمانی غیرایستا با مدل ARIMA(p,d,q) کار می‌کنیم.

در فصل 8 کتاب Time Series Forecasting in Python ما یک لایه دیگر از پیچیدگی و مدل سری‌های زمانی فصلی را با مدل SARIMA(p,d,q) (P,D,Q)m اضافه خواهیم کرد.

در فصل 9 ما آخرین لایه پیچیدگی را اضافه می‌کنیم و به مدل SARIMAX می‌رسیم و به ما امکان می‌دهد از متغیرهای خارجی برای پیش‌بینی داده‌های خود استفاده کنیم.

در فصل 10، مدل‌های خودرگرسیون برداری، VAR(p)، را بررسی می‌کنیم که به ما امکان می‌دهد چندین سری زمانی را به طور همزمان پیش‌بینی کنیم.

فصل 11 قسمت 2 را با پروژه ای به پایان می‌رساند و به ما این فرصت را می‌دهد که آنچه را که از فصل 4 آموخته‌ایم به کار ببریم.

قسمت 3 پیش‌بینی با یادگیری عمیق را پوشش می‌دهد. هنگامی که مجموعه داده شما بسیار بزرگ می‌شود، با روابط غیر خطی و ابعاد بالا، یادگیری عمیق مناسب ترین ابزار برای پیش‌بینی است:

فصل 12 کتاب Time Series Forecasting in Python یادگیری عمیق و انواع مدل‌هایی را که می‌توانیم بسازیم معرفی می‌کند.

فصل 13 مرحله پنجره سازی داده‌ها را بررسی می‌کند، که برای اطمینان از موفقیت پیش‌بینی با استفاده از مدل‌های یادگیری عمیق بسیار مهم است.

در فصل 14 کتاب Time Series Forecasting in Python ما اولین مدل‌های یادگیری عمیق ساده خود را توسعه خواهیم داد.

در فصل 15 ما از معماری LSTM برای پیش‌بینی استفاده خواهیم کرد. این معماری به طور خاص برای پردازش داده‌های متوالی درست مانند سری‌های زمانی ساخته شده است.

در فصل 16، معماری CNN را بررسی خواهیم کرد، که می‌تواند به طور موثر نویز را در یک سری زمانی با عملیات پیچیدگی فیلتر کند. ما همچنین CNN را با معماری LSTM ترکیب خواهیم کرد.

در فصل 17 ما یک مدل یادگیری عمیق خود رگرسیون را توسعه خواهیم داد، که معماری ثابت شده است که نتایج پیشرفته ای را ایجاد می‌کند، زیرا خروجی مدل به عنوان ورودی برای تولید پیش‌بینی بعدی بازخورد داده می‌شود.

در فصل 18، بخش 3 را با یک پروژه بزرگ به پایان خواهیم رساند.
بخش 4 استفاده از کتابخانه‌های پیش‌بینی خودکار، به‌ویژه پیامبر را بررسی می‌کند، زیرا یکی از پرکاربردترین کتابخانه‌ها در صنعت است:

فصل 19 اکوسیستم کتابخانه‌های پیش‌بینی خودکار را بررسی می‌کند، و ما از طریق پروژه‌ای با استفاده از پیامبر کار خواهیم کرد. ما همچنین از مدل SARIMAX برای مقایسه عملکرد هر دو روش استفاده خواهیم کرد.

فصل 20 کتاب Time Series Forecasting in Python یک پروژه capstone است که در آن از شما دعوت می‌شود از پیامبر و مدل SARIMAX استفاده کنید و ببینید کدامیک در آن شرایط بهترین عملکرد را دارند.

فصل 21 کتاب را به پایان می‌رساند و هدف آن الهام بخشیدن به شما برای فراتر رفتن و کشف کارهای دیگری است که می‌توان با داده‌های سری زمانی انجام داد.

سرفصل‌های کتاب Time Series Forecasting in Python:

• brief contents
• contents
• preface
• acknowledgments
• about this book
• about the author
• about the cover illustration
• Part 1—Time waits for no one
  • 1 Understanding time series forecasting
  • 2 A naive prediction of the future
  • 3 Going on a random walk
• Part 2—Forecasting with statistical models
  • 4 Modeling a moving average process
  • 5 Modeling an autoregressive process
  • 6 Modeling complex time series
  • 7 Forecasting non-stationary time series
  • 8 Accounting for seasonality
  • 9 Adding external variables to our model
  • 10 Forecasting multiple time series
  • 11 Capstone: Forecasting the number of antidiabetic drug prescriptions in Australia
• Part 3—Large-scale forecasting with deep learning
  • 12 Introducing deep learning for time series forecasting
  • 13 Data windowing and creating baselines for deep learning
  • 14 Baby steps with deep learning
  • 15 Remembering the past with LSTM
  • 16 Filtering a time series with CNN
  • 17 Using predictions to make more predictions
  • 18 Capstone: Forecasting the electric power consumption of a household
• Part 4—Automating forecasting at scale
  • 19 Automating time series forecasting with Prophet
  • 20 Capstone: Forecasting the monthly average retail price of steak in Canada
• Appendix—Installation instructions
• index

جهت دانلود کتاب Time Series Forecasting in Python می‌توانید پس از پرداخت، دریافت کنید.