Predicción avanzada con Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar

Opiniones de los lectores

El libro ha sido bien acogido como una introducción fácil para principiantes a los algoritmos de aprendizaje automático para la previsión, ya que ofrece explicaciones claras y ejemplos en Python. Sin embargo, ha sido criticado por no ser realmente avanzado, contener repeticiones innecesarias y requerir una mejor edición.

⬤ Excelente introducción al análisis de series temporales
⬤ explicaciones claras de los conceptos
⬤ ejemplos prácticos de código Python
⬤ buena progresión a través de los temas
⬤ valioso para principiantes.

⬤ No es realmente avanzado como sugiere el título
⬤ contenido repetitivo
⬤ necesita una mejor edición
⬤ algunos capítulos parecen superficiales
⬤ carece de anécdotas profesionales
⬤ insuficiente comparación de modelos.

(basado en 10 opiniones de lectores)

Título original:

Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar

Contenido del libro:

Cubre todas las técnicas de aprendizaje automático relevantes para los problemas de previsión, desde series temporales univariantes y multivariantes hasta aprendizaje supervisado, pasando por modelos de previsión profunda de última generación como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y el modelo DeepAR de Amazon.

En lugar de centrarse en un conjunto específico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorías de modelos que son relevantes para la previsión en un lenguaje de alto nivel. A continuación, aborda los modelos de series temporales univariantes y multivariantes, seguidos de los modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como las puntuaciones de referencia frente a la comprensibilidad de los modelos frente al tiempo de cálculo, y el reentrenamiento y la actualización automatizados de los modelos.

Cada uno de los modelos presentados en este libro se trata en profundidad, con una explicación sencilla e intuitiva del modelo, una transcripción matemática de la idea y código Python que aplica el modelo a un conjunto de datos de ejemplo.

La lectura de este libro añadirá una ventaja competitiva a su actual conjunto de habilidades de previsión. El libro también se adapta a quienes han empezado a trabajar recientemente en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados.

Lo que aprenderá

⬤ Realizar previsiones con Python.

⬤ Comprender de forma matemática e intuitiva los modelos de previsión tradicionales y las técnicas de aprendizaje automático más avanzadas.

⬤ Obtener los fundamentos de la previsión y el aprendizaje automático, incluyendo la evaluación de modelos, validación cruzada y pruebas retrospectivas.

⬤ Seleccionar el modelo adecuado para cada caso de uso.

Para quién es este libro.

La naturaleza avanzada de los últimos capítulos hace que el libro sea relevante para los expertos aplicados que trabajan en el ámbito de la previsión, ya que los modelos tratados se han publicado recientemente. Los expertos que trabajan en este campo querrán actualizar sus conocimientos, ya que los modelos tradicionales se ven superados regularmente por modelos más recientes.