Aprendizaje automático para series temporales con Python: Predecir, pronosticar y detectar anomalías con métodos de aprendizaje automático de última generación

Opiniones de los lectores

El libro 'Machine Learning for Time-Series with Python' es apreciado por su completa introducción a las series temporales y las metodologías de aprendizaje automático, especialmente para principiantes. Incluye ejemplos prácticos de codificación y cubre tanto las técnicas clásicas como las modernas, pero ha sido criticado por numerosos errores e incoherencias.

Excelente manual de referencia que cubre los modelos de series temporales clásicos y modernos con una nueva perspectiva sobre su combinación con el aprendizaje automático.

Redacción clara y fluida, con contexto histórico y referencias académicas que ayudan a la comprensión.

(basado en 10 opiniones de lectores)

Título original:

Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods

Contenido del libro:

Adquiera destreza en la obtención de información a partir de datos de series temporales y en el análisis del rendimiento de un modelo.

Características principales:

⬤ Explore métodos de aprendizaje automático populares y modernos, incluidos los últimos algoritmos de aprendizaje profundo y en línea.

⬤ Aprenda a aumentar la precisión de sus predicciones haciendo coincidir el modelo correcto con el problema correcto.

⬤ Master series temporales a través de estudios de casos del mundo real sobre gestión de operaciones, marketing digital, finanzas y atención médica.

Descripción del libro

El aprendizaje automático ha surgido como una poderosa herramienta para comprender las complejidades ocultas en los conjuntos de datos de series temporales, que con frecuencia deben analizarse en áreas tan diversas como la sanidad, la economía, el marketing digital y las ciencias sociales. Estos conjuntos de datos son esenciales para prever y predecir resultados o para detectar anomalías que permitan tomar decisiones con conocimiento de causa.

Este libro cubre los conceptos básicos de Python para series temporales y le ayuda a comprender los modelos autorregresivos tradicionales, así como los modelos no paramétricos modernos. Adquirirá confianza en la carga de conjuntos de datos de series temporales desde cualquier fuente, modelos de aprendizaje profundo como redes neuronales recurrentes y modelos de redes convolucionales causales, y gradient boosting con ingeniería de características.

Machine Learning for Time-Series with Python explica la teoría en la que se basan varios modelos útiles y le guía a la hora de elegir el modelo adecuado para cada problema. El libro también incluye estudios de casos reales que cubren datos meteorológicos, de tráfico, de ciclismo y del mercado de valores.

Al final de este libro, será competente en el análisis eficaz de conjuntos de datos de series temporales con principios de aprendizaje automático.

Lo que aprenderá

⬤ Comprender las principales clases de series temporales y aprender a detectar valores atípicos y patrones.

⬤ Elegir el método adecuado para resolver problemas de series temporales.

⬤ Caracterizar patrones estacionales y de correlación mediante técnicas estadísticas y de autocorrelación.

⬤ Familiarizarse con la visualización de datos de series temporales.

⬤ Comprender los modelos clásicos de series temporales como ARMA y ARIMA.

⬤ Implementar modelos de aprendizaje profundo como procesos gaussianos y transformadores y modelos de aprendizaje automático de última generación.

⬤ Familiarizarse con muchas bibliotecas como prophet, xgboost y TensorFlow.

A quién va dirigido este libro:

Este libro es ideal para analistas de datos, científicos de datos y desarrolladores de Python que deseen realizar análisis de series temporales para predecir resultados de forma eficaz. Es esencial tener conocimientos básicos del lenguaje Python. Es deseable estar familiarizado con la estadística.