Ebook Forecasting Nâng Cao Với Python - Làm Chủ Các Kỹ Thuật Forecasting Hiện Đại Với Machine Learning Và Các Công Cụ Cloud [Ấn Bản Lần 2, Tháng 11/2025] [PDF, EPUB] [9153E]
Forecasting Nâng Cao Với Python, Phiên Bản Thứ Hai, là một hướng dẫn toàn diện và thiết thực giúp bạn nắm vững các kỹ thuật forecasting hiện đại bằng Python. Được thiết kế dành cho các data scientist, analyst và machine learning practitioner, phiên bản cập nhật này thu hẹp khoảng cách giữa các forecasting model cổ điển và các kỹ thuật hỗ trợ AI tiên tiến đang định hình lại lĩnh vực này.
Cuốn sách bắt đầu với các foundational model như AR, MA, ARIMA và SARIMA, cung cấp các giải thích trực quan và toán học cùng với các triển khai Python thực hành. Sau đó, nó mở rộng sang các multivariate model (VAR, VARMAX), supervised machine learning (Random Forests, XGBoost, LightGBM, CatBoost) và các kiến trúc deep learning như LSTM, NBEATS và Transformers. Mỗi chương không chỉ dạy lý thuyết và code mà còn theo dõi hiệu suất mô hình bằng MLflow, cho phép quản lý chuẩn mực và thử nghiệm hiệu quả. Ấn bản thứ hai nổi bật với nội dung mới mở rộng. Giờ đây, độc giả sẽ khám phá Orbit của Uber, AutoGluon của AWS, Prophet của Meta, Microsoft Azure AutoML, Google GCP AutoML và TimeGPT của Nixtla, trang bị cho họ các công cụ mới nhất từ các nhà cung cấp đám mây hàng đầu. Những bổ sung này đảm bảo rằng độc giả luôn cập nhật trong một bối cảnh không ngừng phát triển. Hơn nữa, các chương mới làm nổi bật các chiến lược triển khai thực tế và sự đánh đổi giữa hiệu suất, khả năng giải thích và khả năng mở rộng.
Cho dù bạn mới bắt đầu hành trình forecasting hay đang tìm cách nâng cao chuyên môn với các công cụ tiên tiến và các giải pháp dựa trên cloud, cuốn sách này mang đến trải nghiệm học tập thực hành phong phú. Với các ví dụ Python từng bước, thông tin chi tiết về mô hình và các forecasting workflow hiện đại, đây là một tài nguyên thiết yếu để bạn luôn dẫn đầu trong lĩnh vực phân tích dự báo.
Bạn sẽ:
- ✓ Xây dựng các giải pháp forecasting mạnh mẽ bằng Python.
- ✓ Có được những hiểu biết trực quan và toán học về các forecasting model truyền thống và tiên tiến.
- ✓ Làm chủ model evaluation thông qua cross-validation, backtesting và MLflow-based tracking.
- ✓ Tận dụng các nền tảng dựa trên cloud và các công cụ Model-as-a-Service cho các forecasting deployment có khả năng mở rộng.
Cuốn sách này dành cho ai:
Cuốn sách này lý tưởng cho các data scientist, analyst và ML practitioner đang xử lý các vấn đề dự báo thực tế. Nó phù hợp với cả người học trung cấp và các chuyên gia giàu kinh nghiệm muốn nắm vững các kỹ thuật forecasting tiên tiến.
Mục lục:
- ✓ Phần I: Machine Learning cho Forecasting:
- ✓ Chương 01: Các Model dành cho Forecasting.
- ✓ Chương 02: Model Evaluation cho Forecasting.
- ✓ Chương 03: Model Management & Benchmarking sử dụng MLflow.
- ✓ Phần II: Các Univariate Time Series Model:
- ✓ Chương 04: AR Model.
- ✓ Chương 05: MA Model.
- ✓ Chương 06: ARMA Model.
- ✓ Chương 07: ARIMA Model.
- ✓ Chương 08: SARIMA Model.
- ✓ Phần III: Các Multivariate Time Series Model:
- ✓ Chương 09: SARIMAX Model.
- ✓ Chương 10: VAR Model.
- ✓ Chương 11: VARMAX Model.
- ✓ Phần IV: Các Supervised Model:
- ✓ Chương 12: Linear Regression.
- ✓ Chương 13: Decision Tree Model.
- ✓ Chương 14: kNN Model.
- ✓ Chương 15: Random Forest.
- ✓ Chương 16: Gradient Boosting với XGBoost, LightGBM & CatBoost.
- ✓ Chương 17: Bayesian Models với pyBATS.
- ✓ Phần V: Neural Networks:
- ✓ Chương 18: Neural Network.
- ✓ Chương 19: RNNs sử dụng SimpleRNN & GRU.
- ✓ Chương 20: LSTM RNN.
- ✓ Phần VI: Black Box & Các Cloud-Based Model:
- ✓ Chương 21: N-BEATS Model với Darts.
- ✓ Chương 22: Transformer Model với Darts.
- ✓ Chương 23: NeuralProphet Model.
- ✓ Chương 24: DeepAR Model & AWS SageMaker AI.
- ✓ Chương 25: Orbit Model của Uber.
- ✓ Chương 26: AutoML với Microsoft Azure.
- ✓ Chương 27: AutoML với Vertex AI trên Google Cloud Platform.
- ✓ Chương 28: Nixtla Suite & TimeGPT.
- ✓ Chương 29: Model Selection.