Ebook Modern Time Series Forecasting Với Python - Machine Learning & Deep Learning Time Series Analysis Với PyTorch Và Pandas [Ấn Bản Lần 2, Tháng 11/2024] [PDF, EPUB] [9467E]
Tìm hiểu các kỹ thuật machine learning (ML) và deep learning truyền thống và tiên tiến cũng như các best practice cho time series forecasting, bao gồm các global forecasting model, conformal prediction và transformer architecture.
1. Các tính năng chính:
- ✓ Áp dụng ML và các global model để cải thiện độ chính xác của dự báo thông qua các ví dụ thực tế.
- ✓ Nâng cao time series toolkit của bạn bằng cách sử dụng các mô hình deep learning, bao gồm RNN, transformer và N-BEATS.
- ✓ Tìm hiểu probabilistic forecasting với conformal prediction, Monte Carlo dropout và quantile regression.
2. Mô tả sách:
Dự đoán tương lai, cho dù đó là xu hướng thị trường, nhu cầu năng lượng hay lưu lượng truy cập trang web, chưa bao giờ quan trọng hơn thế. Hướng dẫn thực tế, thực hành này giúp bạn xây dựng và triển khai các mô hình dự báo chuỗi thời gian mạnh mẽ. Cho dù bạn đang làm việc với các phương pháp thống kê truyền thống hay các kiến trúc deep learning tiên tiến, cuốn sách này cung cấp phương pháp học tập có cấu trúc và các best practice cho cả hai.
Bắt đầu với những kiến thức cơ bản, cuốn sách khoa học dữ liệu này giới thiệu các khái niệm nền tảng về time series, chẳng hạn như ARIMA và exponential smoothing, trước khi dần dần tiến tới các chủ đề nâng cao, chẳng hạn như machine learning for time series, deep neural networks và transformers. Là một phần của khóa đào tạo nền tảng, bạn sẽ học về preprocessing, feature engineering và model evaluation. Khi bạn tiến bộ, bạn cũng sẽ khám phá các global forecasting model,ensemble method và các kỹ thuật probabilistic forecasting.
Phiên bản mới này đi sâu hơn vào các kiến trúc transformer và probabilistic forecasting, bao gồm nội dung mới về các mô hình time series mới nhất, conformal prediction và hierarchical forecasting. Cho dù bạn đang tìm kiếm thông tin chi tiết về deep learning nâng cao hay triển khai kiến trúc chuyên biệt, phiên bản này cung cấp các chiến lược thực tế và nội dung mới để nâng cao kỹ năng dự báo của bạn.
3. Bạn sẽ học được gì:
- ✓ Xây dựng các mô hình machine learning để dự báo chuỗi thời gian dựa trên hồi quy.
- ✓ Áp dụng các kỹ thuật feature engineering mạnh mẽ để nâng cao độ chính xác của dự đoán.
- ✓ Giải quyết những thách thức phổ biến như non-stationarity và seasonality.
- ✓ Kết hợp nhiều dự báo bằng cách sử dụng ensembling và stacking để có kết quả vượt trội.
- ✓ Khám phá những tiến bộ tiên tiến trong probabilistic forecasting và handle intermittent hoặc sparse time series.
- ✓ Evaluate và validate các dự báo của bạn bằng cách sử dụng các best practice và statistical metric.
4. Cuốn sách này dành cho ai:
Cuốn sách này lý tưởng cho các data scientist, financial analyst, quantitative analyst, machine learning engineer và researcher cần model time-dependent data trong các ngành công nghiệp, chẳng hạn như tài chính, năng lượng, khí tượng, phân tích rủi ro và bán lẻ. Cho dù bạn là một chuyên gia đang tìm cách áp dụng các mô hình tiên tiến vào các vấn đề thực tế hay là một sinh viên muốn xây dựng một nền tảng vững chắc về phân tích và dự báo chuỗi thời gian, cuốn sách này sẽ cung cấp các công cụ và kỹ thuật bạn cần. Nên làm quen với Python và các khái niệm machine learning cơ bản.
5. Mục lục:
- ✓ Phần 1: Làm quen với Time Series:
- ✓ Chương 01. Giới thiệu về Time Series.
- ✓ Chương 02. Thu thập và xử lý Time Series Data.
- ✓ Chương 03. Phân tích và trực quan hóa Time Series Data.
- ✓ Chương 04. Thiết lập một Baseline Forecast mạnh mẽ.
- ✓ Phần 2: Machine Learning for Time Series:
- ✓ Chương 05. Time Series Forecasting as Regression.
- ✓ Chương 06. Feature Engineering for Time Series Forecasting.
- ✓ Chương 07. Target Transformations for Time Series Forecasting.
- ✓ Chương 08. Forecasting Time Series với các mô hình Machine Learning.
- ✓ Chương 09. Ensembling & Stacking.
- ✓ Chương 10. Global Forecasting Models.
- ✓ Phần 3: Deep Learning for Time Series:
- ✓ Chương 11. Giới thiệu về Deep Learning.
- ✓ Chương 12. Building Blocks of Deep Learning for Time Series.
- ✓ Chương 13. Các Modeling Pattern phổ biến cho Time Series.
- ✓ Chương 14: Attention & Transformers for Time Series.
- ✓ Chương 15: Strategies for Global Deep Learning Forecasting Models.
- ✓ Chương 16: Các kiến trúc Deep Learning chuyên biệt cho Forecasting.
- ✓ Chương 17: Probabilistic Forecasting, v.v.
- ✓ Phần 4: Mechanics of Forecasting:
- ✓ Chương 18: Multi-Step Forecasting.
- ✓ Chương 19: Evaluating Forecast Errors - Khảo sát về các số liệu dự báo.
- ✓ Chương 20: Evaluating Forecasts - Validation Strategies.
LƯU Ý: Pass mở file pdf là mật khẩu giải nén chung của tài liệu !