Временная последовательность. Практический анализ и прогнозирование с
Товар
- 0 раз купили
- 4.97 оценка
- 2 осталось
- 30 отзывов
Доставка
Характеристики
Описание
Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego
Aileen Nielsen
Analiza szeregów czasowych zyskuje na znaczeniu. Wraz z postępującą digitalizacją danych służby zdrowia, rozwojem inteligentnych miast czy upowszechniającym się internetem rzeczy staje się coraz bardziej potrzebna. Obiecującym rozwiązaniem jest analiza szeregów czasowych metodami wspomaganymi uczeniem maszynowym. Techniki te umożliwiają skuteczne monitorowanie i wykorzystywanie coraz większych zbiorów danych. Być może ich zastosowanie do pracy z szeregami czasowymi wydaje się nieoczywiste, jednak bez analiz szeregów czasowych nie można w pełni wykorzystać zebranych danych.
Ta książka jest szerokim, aktualnym i praktycznym przeglądem metod analizy szeregów czasowych, w którym ujęto pełny potok przetwarzania danych czasowych i modelowania. Zaprezentowano w niej rzeczywiste przypadki użycia tych metod i zilustrowano je obszernymi fragmentami znakomicie zaprojektowanego kodu w językach R i Python. Znalazły się tutaj praktyczne wskazówki ułatwiające rozwiązywanie najczęstszych problemów występujących w inżynierii danych czasowych i ich analizie. Ujęto tu zarówno konwencjonalne metody statystyczne, jak i nowoczesne techniki uczenia maszynowego. To bardzo przydatny przewodnik, dzięki któremu analitycy danych, inżynierowie oprogramowania i naukowcy będą mogli płynnie przejść od podstaw pracy z szeregami czasowymi do rozwiązywania konkretnych zagadnień na profesjonalnym poziomie.
Dzięki tej książce nauczysz się:
- pozyskiwać, przechowywać i przetwarzać szeregi czasowe
- eksplorować dane czasowe i symulować je
- wykonywać pomiary błędów
- pracować z szeregami czasowymi za pomocą uczenia maszynowego lub uczenia głębokiego
- oceniać dokładność i wydajność modeli
Skutecznie analizuj szeregi czasowe i wydobywaj bezcenną wiedzę!
O autorze
Aileen Nielsen - jest inżynierem oprogramowania i analitykiem danych. Współpracuje ze start-upami, które korzystają z szeregów czasowych i sieci neuronowych. Wcześniej pracowała w kancelariach prawnych, laboratoriach badawczych i start-upach technologicznych. Interesuje się inżynierią oprogramowania obronnego oraz współdziałaniem prawa i technologii. Często występuje na konferencjach dotyczących uczenia maszynowego i predykcji za pomocą sieci neuronowych.
Spis treści
Wstęp 9
1. Koncepcja szeregów czasowych 15
- Szeregi czasowe w różnych dziedzinach - krótka historia 15
Szeregi czasowe w medycynie 16
Przewidywanie pogody 20
Prognozy rozwoju gospodarczego 21
Astronomia 23
- Początki analizy szeregów czasowych 24
- Metody statystyczne w analizie szeregów czasowych 25
- Uczenie maszynowe w analizie szeregów czasowych 26
- Zobacz też 27
2. Pozyskiwanie i przetwarzanie szeregów czasowych 29
- Gdzie można znaleźć szeregi czasowe? 30
Gotowe zestawy danych 30
Odnajdywanie szeregów czasowych 36
- Konstruowanie szeregu czasowego na podstawie danych tabelarycznych 37
Przygotowanie danych - instrukcja krok po kroku 38
Konstruowanie szeregu czasowego na podstawie zebranych danych 44
- Problemy związane ze znacznikami czasu 46
Czego dotyczy dany znacznik? 46
Praca z danymi pozbawionymi dokumentacji 48
Co to jest znacząca skala czasu? 50
- Oczyszczanie danych 50
Brakujące dane 51
Zmiana częstotliwości próbkowania 60
Wygładzanie danych 63
- Wahania sezonowe 68
- Strefy czasowe 71
- Zapobieganie zjawisku lookahead 74
- Zobacz też 76
3. Metody eksplorowania danych czasowych 79
- Metody ogólnego przeznaczenia 79
Wykresy liniowe 80
Histogramy 82
Wykresy punktowe 84
- Metody przeznaczone do eksploracji szeregów czasowych 86
O stacjonarności słów kilka 86
Stosowanie okien czasowych 90
Związki pomiędzy wartościami w szeregu 95
Korelacje pozorne 105
- Przegląd użytecznych metod wizualizacji 107
Wizualizacje w jednym wymiarze 107
Wizualizacje w dwóch wymiarach 108
Wizualizacje w trzech wymiarach 114
- Zobacz też 117
4. Symulacje szeregów czasowych 119
- Czym wyróżniają się symulacje szeregów czasowych? 120
Symulacje kontra prognozy 120
- Symulacje w implementacjach 121
Przykład 1. - zrób to sam 121
Przykład 2. - tworzenie świata symulacji, który sam sobą steruje 126
Przykład 3. - symulacja zjawiska fizycznego 132
- Uwagi końcowe 137
Symulacje z wykorzystaniem metod statystycznych 138
Symulacje z wykorzystaniem uczenia głębokiego 138
- Zobacz też 138
5. Przechowywanie danych czasowych 141
- Definiowanie wymagań 143
Dane rzeczywiste a dane przechowywane 144
- Bazy danych 146
SQL kontra NoSQL 147
Przegląd popularnych rozwiązań bazodanowych dla szeregów czasowych 149
- Przechowywanie danych w plikach 153
NumPy 154
Pandas 155
Odpowiedniki w środowisku R 155
Xarray 156
- Zobacz też 157
6. Modele statystyczne 159
- Dlaczego nie należy korzystać z regresji liniowej? 159
- Metody statystyczne dla szeregów czasowych 161
Modele autoregresyjne 161
Modele ze średnią ruchomą 174
Zintegrowane modele autoregresyjne średniej ruchomej 178
Model wektorowej autoregresji 187
Inne modele 191
- Zalety i wady modeli statystycznych 192
- Zobacz też 193
7. Modele zmiennych stanu 195
- Wady i zalety modeli zmiennych stanu 196
- Filtr Kalmana 197
Model 197
Implementacja 199
- Ukryte modele Markowa 203
Sposób działania modelu 204
Dopasowywanie modelu 205
Implementacja dopasowania modelu 208
- Bayesowskie strukturalne szeregi czasowe (BSTS) 213
Implementacja 214
- Zobacz też 218
8. Generowanie i selekcja cech 221
- Przykład wprowadzający 222
- Ogólne uwagi dotyczące cech 223
Natura danego szeregu 223
Wiedza dziedzinowa 224
Parametry zewnętrzne 225
- Przegląd miejsc, w których można szukać inspiracji dotyczących wyboru cech 225
Biblioteki dostępne na licencji open source 226
Przykłady cech powiązanych z konkretnymi dziedzinami 230
- Jak dokonać selekcji cech po ich wygenerowaniu? 233
- Podsumowanie i wnioski 236
- Zobacz też 236
9. Uczenie maszynowe w analizie szeregów czasowych 239
- Klasyfikacja szeregów czasowych 240
Generowanie i selekcja cech 240
Drzewa decyzyjne 243
- Klasteryzacja 250
Generowanie cech 251
Metryki uwzględniające zmianę czasu 258
Klasteryzacja w kodzie 262
- Zobacz też 264
10. Uczenie głębokie 267
- Geneza uczenia głębokiego 269
- Implementacja sieci neuronowej 271
Dane, symbole, operacje, warstwy i grafy 272
- Budowa potoku uczenia 275
Spojrzenie na zestaw danych 275
Elementy potoku uczenia 278
- Jednokierunkowe sieci neuronowe 293
Prosty przykład 293
Wykorzystanie modelu atencji do uczynienia jednokierunkowych sieci bardziej świadomymi czasu 296
- Konwolucyjne sieci neuronowe 298
Prosty model sieci konwolucyjnej 300
Alternatywne modele konwolucyjne 302
- Rekurencyjne sieci neuronowe 304
Kontynuacja przykładu z zapotrzebowaniem na prąd 307
Autoenkoder 308
- Połączenie architektur 309
- Podsumowanie 313
- Zobacz też 314
11. Pomiary błędów 317
- Podstawy: jak przetestować prognozę? 318
Weryfikacja historyczna a kwestie związane z konkretnym modelem 320
- Kiedy prognoza jest wystarczająco dobra? 321
- Szacowanie niepewności modelu w oparciu o symulację 323
- Prognozowanie na wiele kroków naprzód 326
Bezpośrednie dopasowanie do danego horyzontu 326
Podejście rekurencyjne do odległych horyzontów czasowych 326
Uczenie wielozadaniowe w kontekście szeregów czasowych 327
- Pułapki walidacji 327
- Zobacz też 328
12. Kwestie wydajnościowe w dopasowywaniu i wdrażaniu modeli 331
- Praca z narzędziami przeznaczonymi do bardziej ogólnych przypadków użycia 332
Modele zbudowane z myślą o danych przekrojowych nie "współdzielą" danych pomiędzy próbkami 332
Modele, które nie wspierają wcześniejszego obliczania, tworzą niepotrzebne opóźnienia pomiędzy pomiarem a prognozowaniem 334
- Wady i zalety formatów zapisu danych 334
Przechowuj dane w formacie binarnym 335
Przetwarzaj dane w sposób umożliwiający "przesuwanie się" po nich 335
- Modyfikacje analizy dla zwiększenia jej wydajności 336
Wykorzystanie wszystkich danych to niekoniecznie najlepszy pomysł 336
Złożone modele nie zawsze sprawdzają się znacznie lepiej 337
Krótki przegląd innych wysokowydajnych narzędzi 338
- Zobacz też 338
13. Zastosowania w obszarze opieki zdrowotnej 341
- Przewidywanie grypy 341
Studium przypadku grypy w jednym obszarze metropolitalnym 341
Jak obecnie wygląda prognozowanie grypy? 354
- Przewidywanie stężenia cukru we krwi 356
Eksploracja danych i ich oczyszczanie 357
Generowanie cech 361
Dopasowanie modelu 366
- Zobacz też 371
14. Zastosowania w obszarze finansów 373
- Pozyskiwanie i eksploracja danych finansowych 374
- Wstępne przetwarzanie danych do uczenia głębokiego 380
Dodawanie interesujących nas wielkości do surowych danych 380
Skalowanie interesujących nas wielkości bez wprowadzania zjawiska lookahead 381
Formatowanie danych do sieci neuronowej 383
- Budowanie i uczenie rekurencyjnej sieci neuronowej 386
- Zobacz też 392
15. Szeregi czasowe w danych rządowych 393
- Pozyskiwanie danych rządowych 394
- Eksploracja dużych zbiorów danych czasowych 395
Zwiększenie częstotliwości próbkowania i agregowanie danych podczas iteracji 399
Sortowanie danych 399
- Statystyczna analiza szeregów czasowych "w locie" 403
Pozostałe pytania 412
Dalsze możliwości poprawy 413
- Zobacz też 413
16. Pakiety przeznaczone do pracy z szeregami czasowymi 415
- Prognozowanie na dużą skalę 415
Wewnętrzne narzędzia Google'a do przemysłowego prognozowania 416
Otwartoźródłowy pakiet Prophet od Facebooka 418
- Wykrywanie anomalii 422
Otwartoźródłowy pakiet AnomalyDetection od Twittera 422
- Inne pakiety stworzone z myślą o szeregach czasowych 425
- Zobacz też 426
17. Prognozy o prognozowaniu 427
- Prognozowanie jako usługa 427
- Uczenie głębokie zwiększa możliwości probabilistyczne 428
- Wzrost znaczenia uczenia maszynowego kosztem statystyki 429
- Wzrost popularności metod łączących podejście statystyczne i uczenie maszynowe 429
- Więcej prognoz dotyczących życia codziennego 430
Гарантии
Гарантии
Мы работаем по договору оферты и предоставляем все необходимые документы.
Лёгкий возврат
Если товар не подошёл или не соответсвует описанию, мы поможем вернуть его.
Безопасная оплата
Банковской картой, электронными деньгами, наличными в офисе или на расчётный счёт.