Временная последовательность. Практический анализ и прогнозирование с

Товар

3 794  ₽
Временная последовательность. Практический анализ и прогнозирование с

Доставка

  • Почта России

    1414 ₽

  • Курьерская доставка EMS

    1770 ₽

Характеристики

Артикул
15185857190
Состояние
Новый
Język publikacji
polski
Tytuł
Szeregi czasowe
Autor
Aileen Nielsen
Nośnik
książka papierowa
Okładka
miękka
Rok wydania
2020
Waga produktu z opakowaniem jednostkowym
0.618 kg
Wydawnictwo
Helion
Liczba stron
432
Numer wydania
1
Szerokość produktu
16.6 cm
Wysokość produktu
23.8 cm

Описание

Szeregi czasowe. Praktyczna analiza i predykcja z

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.

Отзывы о товаре

Рейтинг товара 4.97 / 5

30 отзывов

Russian English Polish