Descripción
Realice análisis y pronósticos de series temporales con confianza con este banco de código y manual de referencia de Python
Características principales:
- Explore técnicas de pronóstico y detección de anomalías utilizando algoritmos estadísticos, de aprendizaje automático y de aprendizaje profundo.
- Aprenda diferentes técnicas para evaluar, diagnosticar y optimizar sus modelos.
- Trabaje con una variedad de datos complejos con tendencias, múltiples patrones estacionales e irregularidades.
Descripción del libro:
Los datos de series temporales están en todas partes, disponibles con alta frecuencia y volumen. Son complejos y pueden contener ruido, irregularidades y múltiples patrones, lo que hace que sea crucial estar bien versado en las técnicas cubiertas en este libro para la preparación, el análisis y la previsión de datos.
Este libro cubre técnicas prácticas para trabajar con datos de series temporales, comenzando con la ingesta de datos de series temporales de diversas fuentes y formatos, ya sea en almacenamiento en la nube privada, bases de datos relacionales, bases de datos no relacionales o bases de datos de series temporales especializadas como InfluxDB. A continuación, aprenderá estrategias para manejar datos faltantes, lidiar con zonas horarias y días hábiles personalizados, y detectar anomalías utilizando métodos estadísticos intuitivos, seguidos de modelos ML no supervisados más avanzados. El libro también explorará la previsión utilizando modelos estadísticos clásicos como Holt-Winters, SARIMA y VAR. Las recetas presentarán técnicas prácticas para manejar datos no estacionarios, utilizando transformaciones de potencia, gráficos ACF y PACF, y descomponiendo datos de series temporales con múltiples patrones estacionales. Más adelante, trabajará con modelos ML y DL utilizando TensorFlow y PyTorch.
Finalmente, aprenderá a evaluar, comparar, optimizar modelos y mucho más utilizando las recetas cubiertas en el libro.
Lo que aprenderá:
- Comprender qué hace que los datos de series temporales sean diferentes de otros datos.
- Aplicar varias estrategias de imputación e interpolación para datos faltantes.
- Implementar diferentes modelos para series temporales univariadas y multivariadas.
- Usar diferentes bibliotecas de aprendizaje profundo como TensorFlow, Keras y PyTorch.
- Trazar visualizaciones interactivas de series temporales usando hvPlot.
- Explorar modelos de espacio de estados y el modelo de componentes no observados (UCM).
- Detectar anomalías usando métodos estadísticos y de aprendizaje automático.
- Predecir series temporales complejas con múltiples patrones estacionales.
Para quién es este libro:
Este libro es para analistas de datos, analistas de negocios, científicos de datos, ingenieros de datos o desarrolladores de Python que desean recetas prácticas de Python para análisis de series temporales y técnicas de pronóstico. Se requiere un conocimiento fundamental de la programación en Python. Aunque tener una base básica en matemáticas y estadística será beneficioso, no es necesario. La experiencia previa trabajando con datos de series temporales para resolver problemas comerciales también lo ayudará a utilizar y aplicar mejor las diferentes recetas de este libro.
Autor: Tarek A. Atwan
Editorial: Packt Publishing
Publicado: 30/06/2022
Páginas: 630
Tipo de encuadernación: Tapa blanda
Peso: 2.35 libras
Tamaño: 9.25 pulgadas de alto x 7.50 pulgadas de ancho x 1.27 pulgadas de profundidad
ISBN13: 9781801075541
ISBN10: 1801075549
Categorías BISAC:
- Informática | Ciencia de datos | Modelado y diseño de datos
- Informática | Lenguajes | Python
Este título no es retornable