Practical Time Series Analysis: Predicción con estadística y aprendizaje automático

Opiniones de los lectores

El libro ofrece una introducción completa y práctica al análisis de series temporales, pero adolece de problemas de organización y de falta de ejemplos coherentes entre los distintos lenguajes de programación.

Estilo de redacción bien organizado y accesible, aplicación práctica de los conceptos, cubre una amplia gama de temas, es bueno para quienes tienen cierta experiencia en programación y tiene una gran relevancia en el mundo real.

El uso tanto de R como de Python puede confundir a los lectores que sólo estén familiarizados con uno de los lenguajes, la organización del contenido es incoherente, algunos ejemplos de código están mal escritos o no son ejecutables, y hay quejas de verbosidad y falta de profundidad en ciertos temas.

(basado en 25 opiniones de lectores)

Título original:

Practical Time Series Analysis: Prediction with Statistics and Machine Learning

Contenido del libro:

El análisis de datos de series temporales es cada vez más importante debido a la producción masiva de este tipo de datos a través del internet de las cosas, la digitalización de la sanidad y el auge de las ciudades inteligentes. A medida que la monitorización continua y la recopilación de datos se hagan más comunes, aumentará la necesidad de un análisis competente de series temporales con técnicas estadísticas y de aprendizaje automático.

Esta guía práctica, que abarca las innovaciones en el análisis de datos de series temporales y casos de uso del mundo real, le ayudará a resolver los retos más comunes de la ingeniería y el análisis de datos en series temporales, utilizando técnicas estadísticas tradicionales y modernas de aprendizaje automático. La autora, Aileen Nielsen, ofrece una introducción accesible y completa a las series temporales tanto en R como en Python que permitirá a los científicos de datos, ingenieros de software e investigadores ponerse en marcha rápidamente.

Obtendrá la orientación que necesita para:

⬤ Encontrar y manejar datos de series temporales.

⬤ Realizar análisis exploratorios de datos de series temporales.

⬤ Almacenar datos temporales.

⬤ Simular datos de series temporales.

⬤ Generar y seleccionar características para una serie temporal.

⬤ Medir errores.

⬤ Predecir y clasificar series temporales con aprendizaje automático o profundo.

⬤ Evaluar la precisión y el rendimiento.