کتاب Ultimate Enterprise Data Analysis and Forecasting using Python: Leverage Cloud platforms with Azure Time Series Insights and AWS Forecast Components for Deep learning Modeling using Python (تجزیه و تحلیل و پیش‌بینی نهایی داده‌های سازمانی با استفاده از پایتون: استفاده از سکوهای ابری با اطلاعات سری زمانی Azure و اجزای پیش‌بینی AWS برای مدل‌سازی یادگیری عمیق با استفاده از پایتون) با استفاده از ابزارهای Azure و AWS و زبان پایتون در مقیاس داده‌های سازمانی، عملیات پیش‌بینی و تجزیه و تحلیل داده‌های سازمانی را آموزش می‌دهد.
در ادامه مقدمه‌ای از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Ultimate Enterprise Data Analysis and Forecasting using Python:
این کتاب جنبه‌های مختلف تحلیل و پیش‌بینی سری‌های زمانی با استفاده از زبان پایتون را پوشش می‌دهد و بر اهمیت تحلیل سری‌های زمانی از دیدگاه صنعت برای تحلیل و پیش‌بینی عمیق، با موارد استفاده بلادرنگ و مثال‌های مورد نیاز تأکید می‌کند.
هدف اصلی کتاب Ultimate Enterprise Data Analysis and Forecasting using Python ارائه یک بسته دقیق از روش‌های تحلیل و پیش‌بینی سری‌های زمانی است که در بازار دیجیتال فعلی ضروری است و فرصت‌های تجاری را با استفاده از تکنیک‌های مختلف از دیدگاه AIML رشد می‌دهد. هدف این کتاب اتصال سری زمانی و بیانیه‌های مسأله پیش‌بینی در صنایع مختلف و نشان دادن چگونگی ارائه راه‌حل‌هایی با استفاده از ابزار‌ها، فناوری‌ها و شواهد داستان‌های موفقیت در حال حاضر است.
کتاب Ultimate Enterprise Data Analysis and Forecasting using Python این نوید را می‌دهد که در پایان مطالعه، خوانندگان سری‌های زمانی و تکنیک‌های پیش‌بینی را درک خواهند کرد و همچنین نحوه تجزیه و تحلیل، طراحی و نگهداری راه حل‌ها را یاد خواهند گرفت.
به این ترتیب، خوانندگان می‌توانند مسیر صحیح را برای گرفتن مؤلفه‌های سری زمانی دنبال کنند، روی آن‌ها با بسته‌های پایتون کار کنند، و داده‌ها را برای تجزیه و تحلیل و راه حل‌های سازنده، مانند پیش‌بینی یا پیش‌بینی درک کنند.
کتاب Ultimate Enterprise Data Analysis and Forecasting using Python انتظارات تحلیلگران داده، دانشمندان داده و مهندسان یادگیری ماشین را پوشش می‌دهد که در تجزیه و تحلیل سری‌های زمانی و پروژه‌های مرتبط با پیش‌بینی شرکت خواهند داشت.
کتاب Ultimate Enterprise Data Analysis and Forecasting using Python به علاقه‌مندان به تحلیل سری‌های زمانی کمک می‌کند. کتاب با مقدمه‌ای بر پایتون و بسته‌های ضروری آن آغاز می‌شود. سپس به جنبه‌های مختلف تجزیه و تحلیل داده‌های سری زمانی و مدل‌های هر دو روش سنتی و ML می‌پردازد و به دنبال آن پیاده‌سازی آن‌ها در محیط ابری انجام می‌شود.
کتاب Ultimate Enterprise Data Analysis and Forecasting using Python در چهار بخش و ۱۱ فصل تنظیم شده است. همه چیز را پوشش می‌دهد، از مقدمه‌ای بر پایتون و بسته‌های ضروری آن برای علم داده و یادگیری ماشین شروع می‌شود.
این کتاب به بررسی تکنیک‌های مختلف تحلیل و پیش‌بینی سری‌های زمانی، همراه با پیاده‌سازی تحلیل سری‌های زمانی در محیط‌های Azure و AWS می‌پردازد. جزئیات فصل به شرح زیر ذکر شده است.
فصل ۱. مقدمه‌ای بر پایتون و بسته‌های کلیدی آن برای پروژه‌های DS و ML: این فصل اصول پایتون و کتابخانه‌های آن را مورد بحث قرار می‌دهد. این کار با نصب، استفاده، و مزایای استفاده از IDEهای پایتون و نوت‌بوک Jupyter آغاز می‌شود تا راه‌حل‌های تحلیل و پیش‌بینی سری‌های زمانی را برای خوانندگان بسازید، قبل از پرداختن به بقیه فصل‌های این کتاب.
مروری سریع بر بسته‌های پشتیبانی‌کننده از علوم داده و یادگیری ماشین و اهمیت آن‌ها، همراه با قطعه کد نمونه شامل ساختار داده، عملیات فایل، بسته‌هایی مانند Pandas، NumPy، Matplotlib، SciKit-Learn و Statsmodel ارائه خواهد شد. این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python به پایتون و ویژگی‌های آن اطمینان می‌دهد.
فصل ۲. پایتون برای تجزیه و تحلیل داده‌های سری زمانی: این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، به تجزیه و تحلیل داده‌ها و مزایای آن می‌پردازد.
به این موضوع می‌پردازیم که چرا پایتون بهترین انتخاب برای تجزیه و تحلیل داده است. همچنین، مدیریت داده‌های سری زمانی را پوشش خواهد داد. بحث بیشتر بر جنبه‌های مختلف پیرامون پاکسازی داده‌ها، آماده‌سازی و کشمکش با تجزیه و تحلیل سری‌های زمانی متمرکز خواهد بود.
این بخش آماده‌سازی داده‌ها برای تجزیه و تحلیل سری‌های زمانی، تبدیل داده‌های رشته به فرمت DataTime، روش‌های نمونه‌گیری مجدد و تبدیل فرکانس، تولید محدوده تاریخ، مدیریت منطقه زمانی و تکنیک‌های حساب دوره‌ای را پوشش می‌دهد.
بیشتر بخوانید: کتاب The Enterprise Data Catalog
این فصل اهمیت بصری‌سازی داده‌ها را در تجزیه و تحلیل سری‌های زمانی برجسته می‌کند. این به کشف دامنه داده کاوی در تجزیه و تحلیل سری‌های زمانی و درک نکات ضروری آمار برای تجزیه و تحلیل در رابطه با سری‌های زمانی و پیش‌بینی کمک می‌کند. تجزیه و تحلیل داده‌های اکتشافی (EDA) برای سری‌های زمانی، همراه با قطعه کد نمونه برای درک تمام مفاهیم ذکر شده پوشش داده خواهد شد.
فصل ۳. تجزیه و تحلیل سری‌های زمانی و اجزای آن: این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python به خوانندگان کمک می‌کند تا پیشینه تحلیل سری‌های زمانی را درک کنند.
این فصل به اهمیت تحلیل سری‌های زمانی و اهمیت آن می‌پردازد. همچنین، شرح مفصلی از مؤلفه‌های سری زمانی – روند، فصلی، الگو‌های چرخه‌ای و بی‌نظمی – با نمونه‌های کلاسیک و تمایز بین آن‌ها ارائه خواهد شد. ماهیت داده‌ها در تجزیه و تحلیل سری‌های زمانی به طبقه‌بندی اجزای آن‌ها اختصاص دارد.
این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، بر روی تحقق نویز سفید در مجموعه داده سری زمانی تمرکز دارد. تست اسید برای ثابت بودن داده‌ها – ADF، تست KPSS نیز پوشش داده شده است.
ارائه داده‌های غیر ثابت در تجزیه و تحلیل سری‌های زمانی و تکنیک‌های ثابت کردن یک سری زمانی نیز مورد بحث قرار گرفته است. ACF و PACF در سری‌های زمانی چیست و چگونه به تعیین ترتیب مدل‌های AR، MA و ARMA کمک می‌کنند، همراه با قطعه کد نمونه برای درک بهتر همه مفاهیم ذکر شده مورد بحث قرار گرفته است.
فصل ۴. تجزیه و تحلیل سری‌های زمانی و فرصت‌های پیش‌بینی در صنایع مختلف: این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python به خواننده در درک فرصت و دامنه تحلیل و پیش‌بینی سری‌های زمانی و یادگیری نحوه اجرای آن کمک می‌کند.
به دست آوردن وضوح در تجزیه و تحلیل سری‌های زمانی در تجارت و صنعت مفید است. این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، به مزایای تجزیه و تحلیل سری زمانی در پیش‌بینی می‌پردازد. پیش‌بینی تقاضا و پیش‌بینی قیمت در خرده فروشی، و پیش‌بینی در مراقبت‌های بهداشتی برای تشخیص و برنامه‌ریزی دارویی نیز پوشش داده شده است.
تشخیص ناهنجاری، تعمیر و نگهداری پیش‌بینی، تجزیه و تحلیل سری زمانی، و پیش‌بینی فروش در صنعت خودرو مورد بحث قرار می‌گیرد. این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، همچنین به چالش‌ها و اشکالات عمده پیش‌بینی سری‌های زمانی می‌پردازد.
فصل ۵. بررسی جنبه‌های مختلف تحلیل و پیش‌بینی سری‌های زمانی: این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، به خوانندگان کمک می‌کند تا مطالعه دقیق تجزیه و تحلیل سری‌های زمانی را با شروع استنتاج آماری درک کنند. ویژگی‌های آماری سری‌های زمانی پوشش داده شده است.
اشکال در سری زمانی مورد بحث قرار گرفته است. Power، Log، و Box-Cox Transformation برای سری‌های زمانی مورد بحث قرار گرفته است. این فصل معیار‌های پیش‌بینی را بررسی می‌کند و یک نمای کلی از پیش‌بینی ساده و متریک‌های مختلف پیش‌بینی ارائه می‌کند. همچنین در مورد مدل‌های تک متغیره و چند متغیره، انواع کلی روش‌های پیش‌بینی و تجزیه و تحلیل سری‌های زمانی برای رویکرد‌های سنتی و یادگیری ماشینی خواهیم آموخت. همچنین شامل قطعات کد نمونه برای درک بهتر تمام مفاهیم ذکر شده است.
فصل ۶. کاوش مدل‌های سری زمانی – AR، MA، ARMA، و ARIMA: این فصل به خوانندگان در کاوش مدل‌های سری‌های زمانی مختلف و اجرای آن‌ها کمک می‌کند. این بحث مفصلی را در مورد انواع مدل‌های مدل‌های خودرگرسیون – AR(p)، مدل‌های میانگین متحرک – MA(q)، ARMA (AR +MA) ارائه می‌کند.
این فصل نحوه محاسبه AR و MA را گام به گام، از جمله مدل آموزشی و پیش‌بینی و اعتبارسنجی، راهنمایی می‌کند. همچنین توضیح خواهد داد که چرا ARIMA وارد تصویر شده و مطالعات دقیقی انجام می‌دهد. این فصل همچنین تکنیک‌های تجزیه و تحلیل باقیمانده، رسم و مقیاس‌بندی را پوشش خواهد داد. موارد استفاده برای روش‌های ذکر شده در بالا و قطعه کد نمونه برای درک تمام مفاهیم ذکر شده گنجانده شده است.
فصل ۷. درک روش‌های هموارسازی نمایی و ETS در TSA: این فصل به خوانندگان در درک روش‌های هموارسازی نمایی و ETS در تحلیل سری‌های زمانی، ویژگی‌ها و انواع مختلف آن‌ها کمک می‌کند. توضیح خواهد داد که هموارسازی نمایی چیست و چگونه آن را محاسبه کنیم.
همچنین نحوه استفاده از هموارسازی نمایی برای اهداف پیش‌بینی را پوشش می‌دهد. این فصل همچنین به بررسی ETS (خطا، روند، فصلی)، انتخاب بهترین ETS و دلیل پیاده‌سازی مدل‌های ETS می‌پردازد. در این فصل چند مدل دیگر از جمله میانگین متحرک ساده (SMA)، میانگین متحرک وزنی نمایی (EWMA)، هموارسازی نمایی منفرد (SES)، مدل روند خطی Holt و Winters به همراه قطعه کد نمونه برای درک تمام مفاهیم ذکر شده مورد بحث قرار خواهد گرفت..
فصل ۸. بررسی خودرگرسیون‌برداری و زیرمجموعه‌های آن (VAR، VMA، و VARMA): این فصل به خوانندگان در درک روش‌های مختلف خودرگرسیون‌برداری و الزامات ضروری برای استفاده از مدل VAR در مسائل سری زمانی کمک می‌کند. تمایز بین VAR و AR را پوشش خواهد داد.
همچنین انواع فرعی مانند VA-VAR، VMA، VARMA و VARMAX را برای سری‌های زمانی چند متغیره مورد بحث قرار خواهد داد. این فصل به ویژگی‌های خودرگرسیون‌برداری و اجرای آن می‌پردازد. این فصل همچنین در مورد گسترش ARIMA – میانگین متحرک یکپارچه خودکار پس‌رونده فصلی (SARIMA) با متغیر‌های برون‌زا و میانگین متحرک یکپارچه خودکار کسری (FARIMA) بحث خواهد کرد. قطعه کد نمونه برای درک تمام مفاهیم ذکر شده ارائه شده است.
فصل ۹. یادگیری عمیق برای تحلیل و پیش‌بینی سری‌های زمانی: این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، به خوانندگان کمک می‌کند تا بفهمند که آیا یادگیری عمیق برای پیش‌بینی سری‌های زمانی خوب است یا خیر. در مورد تفسیرپذیری و وعده‌های Deep Learning برای پیش‌بینی سری‌های زمانی بحث خواهد شد.
این فصل مفاهیم اساسی مانند تابع فعال‌سازی را پوشش می‌دهد و نحوه یادگیری شبکه عصبی را توضیح می‌دهد. برای پیش‌بینی سری‌های زمانی، انواع مختلفی از مدل‌های یادگیری عمیق مانند ANN، CNN، RNN و LSTM را بررسی می‌کند.
این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python بر درک پرسپترون‌های چندلایه، CNN، شبکه‌های حافظه کوتاه‌مدت بلند مدت (LSTM) و موارد استفاده از آن‌ها تمرکز خواهد کرد و شامل قطعه‌های کد نمونه برای درک بهتر همه مفاهیم ذکر شده خواهد بود.
فصل ۱۰. بینش‌های سری زمانی Azure: این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، به خوانندگان در درک بینش‌های سری زمانی Azure و اهمیت آن کمک می‌کند. این بررسی می‌کند که چگونه این یک سرویس تجزیه و تحلیل، ذخیره‌سازی و تجسم کاملاً مدیریت شده برای مدیریت داده‌های سری زمانی مقیاس اینترنت‌اشیا در فضای ابری است. این فصل بیشتر به بررسی Azure Time Series Insights Gen۲ برای اینترنت‌اشیاء صنعتی در مورد صنایع مختلف می‌پردازد.
همچنین، این فصل موضوعاتی مانند کاوش داده‌ها و تشخیص ناهنجاری بصری با استفاده از Azure Time Series Insights را پوشش خواهد داد. این فصل همچنین بینش‌هایی در مورد بهترین شیوه‌ها برای برنامه‌ریزی و آماده‌سازی محیط Azure Time Series Insights Gen۲ ارائه می‌دهد. این شامل مقایسه‌ای بین Gen۱ و Gen۲ برای بررسی قابلیت‌ها، مزایای کلیدی و مشاغل حیاتی آن‌ها خواهد بود.
فصل ۱۱. پیش‌بینی AWS: این فصل به خوانندگان در درک پیش‌بینی آمازون و اهمیت آن کمک می‌کند. این کار پیش‌بینی آمازون را پوشش می‌دهد، ویژگی‌های آن را با جزئیات بررسی می‌کند و اصول پیش‌بینی سری‌های زمانی را بررسی می‌کند.
این فصل همچنین خوانندگان را راهنمایی می‌کند تا مجوز‌های پیش‌بینی آمازون را تنظیم کنند. فرآیند واردات، ساخت، ارزیابی و تمیز کردن آینده آمازون Forecast را طی خواهد کرد. در مورد الگوریتم‌هایی که مراحل آماده‌سازی و پاکسازی داده‌ها برای آمازون Forecast دنبال می‌شوند، بحث خواهد شد. این فصل از کتاب Ultimate Enterprise Data Analysis and Forecasting using Python، بهترین شیوه‌های پیش‌بینی آمازون را برجسته می‌کند.
سرفصل‌های کتاب Ultimate Enterprise Data Analysis and Forecasting using Python:
- Cover Page
- Title Page
- Copyright Page
- Dedication Page
- About the Author
- About the Technical Reviewers
- Preface
- Errata
- Table of Contents
- 1. Introduction to Python and its key packages for DS and ML Projects
- 2. Python for Time Series Data Analysis
- 3. Time Series Analysis and its Components
- 4. Time Series Analysis and Forecasting Opportunities in Various Industries
- 5. Exploring various aspects of Time Series Analysis and Forecasting
- 6. Exploring Time Series Models – AR, MA, ARMA, and ARIMA
- 7. Understanding Exponential Smoothing and ETS Methods in TSA
- 8. Exploring Vector Autoregression and its Subsets (VAR, VMA, and VARMA)
- 9. Deep Learning for Time Series Analysis and Forecasting
- 10. Azure Time Series Insights
- 11. AWS Forecast
- Index
جهت دانلود کتاب Ultimate Enterprise Data Analysis and Forecasting using Python می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.