وقتی در بانک کار می کردم، به سرعت متوجه شدم که زمان یک عامل مهم است. نرخ بهره در طول زمان متفاوت است، هزینه های مردم در طول زمان متفاوت است، قیمت دارایی ها در طول زمان متفاوت است. با این حال متوجه شدم اکثر مردم، از جمله من، با سری های زمانی ناراحت هستند. بنابراین تصمیم گرفتم پیش بینی سری های زمانی را یاد بگیرم. معلوم شد که سخت‌تر از حد انتظار بود زیرا هر منبعی که من پیدا کردم در R بود. من با پایتون راحت هستم و پایتون بدون شک محبوب‌ترین زبان برای علم داده در صنعت است. در حالی که R شما را به محاسبات آماری محدود می‌کند، پایتون به شما اجازه می‌دهد تا وب‌سایت‌ها را کدنویسی کنید، یادگیری ماشینی انجام دهید، مدل‌ها را مستقر کنید، سرور بسازید و موارد دیگر. بنابراین، برای یادگیری پیش‌بینی سری‌های زمانی، مجبور شدم بسیاری از کدهای R را به پایتون ترجمه کنم. آن زمان بود که شکاف را تشخیص دادم و به اندازه کافی خوش شانس بودم که به من فرصت داد تا کتابی در مورد آن بنویسم.
The book covers concepts, techniques, and algorithms commonly used and more advanced and recent approaches with practical use. For example, you will learn to train and validate different models covering statistical methods, machine learning algorithms, and various deep learning architectures for forecasting and outlier (or anomaly) detection. Most importantly, the variety of datasets used in this book will give you a better insight into how these different models work and how you can pick the most appropriate approach to solve your specific problem.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Time Series Forecasting in Python
نظرات کاربران