Predicción de series temporales en Python

Opiniones de los lectores

En general, el libro ha sido bien recibido por su enfoque estructurado de la enseñanza de la previsión de series temporales, que parte de conceptos básicos y avanza gradualmente hacia temas más avanzados. Es especialmente elogiado por su facilidad de lectura para principiantes y por la claridad con que explica el código Python. Sin embargo, algunos lectores opinan que le falta profundidad en los temas más avanzados, que no enseña a predecir más allá de los conjuntos de datos disponibles y que tiene un contenido repetitivo. En general, sirve como una buena introducción, pero puede no satisfacer a aquellos que buscan una cobertura más completa.

⬤ Muy práctico y fácil de seguir, especialmente para principiantes.
⬤ Explica claramente los conceptos y el código Python casi línea por línea.
⬤ Cubre una amplia gama de temas, desde los métodos clásicos a los modernos de aprendizaje automático.
⬤ Utiliza diagramas de flujo e ilustraciones para aclarar conceptos.
⬤ Adecuado para lectores no técnicos y para los que se inician en la previsión de series temporales.

⬤ El salto a temas avanzados de aprendizaje automático es demasiado temprano para algunos lectores.
⬤ Falta instrucción sobre cómo pronosticar más allá del conjunto de datos disponible.
⬤ Algunos ejemplos de código no funcionan y requieren consultar una página de GitHub aparte.
⬤ Contiene contenido repetitivo, lo que hace que parezca innecesariamente largo para su precio.

(basado en 9 opiniones de lectores)

Título original:

Time Series Forecasting in Python

Contenido del libro:

Construya modelos predictivos a partir de patrones temporales en sus datos. Dominar los modelos estadísticos incluyendo nuevos enfoques de aprendizaje profundo para la predicción de series temporales.

En Time Series Forecasting in Python aprenderá a:

Reconocer un problema de previsión de series temporales y construir un modelo predictivo performant.

Crear modelos de previsión univariantes que tengan en cuenta los efectos estacionales y las variables externas.

Construir modelos de predicción multivariante para predecir muchas series temporales a la vez.

Aprovechar grandes conjuntos de datos mediante el aprendizaje profundo para predecir series temporales.

Automatizar el proceso de previsión.

Time Series Forecasting in Python le enseña a construir potentes modelos de predicción a partir de datos basados en el tiempo. Cada modelo que creas es relevante, útil y fácil de implementar con Python. Explorará interesantes conjuntos de datos del mundo real, como el precio diario de las acciones de Google y los datos económicos de Estados Unidos, progresando rápidamente desde los conceptos básicos hasta el desarrollo de modelos a gran escala que utilizan herramientas de aprendizaje profundo como TensorFlow.

La compra del libro impreso incluye un libro electrónico gratuito en formatos PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología.

Puedes predecir el futuro con un poco de ayuda de Python, aprendizaje profundo y datos de series temporales. La predicción de series temporales es una técnica de modelado de datos centrados en el tiempo para identificar eventos futuros. Las nuevas bibliotecas de Python y las potentes herramientas de aprendizaje profundo hacen que las predicciones precisas de series temporales sean más fáciles que nunca.

Acerca del libro.

Time Series Forecasting in Python le enseña cómo obtener predicciones inmediatas y significativas a partir de datos basados en el tiempo, como registros, análisis de clientes y otros flujos de eventos. En este libro accesible, aprenderá métodos estadísticos y de aprendizaje profundo para la predicción de series temporales, totalmente demostrados con código Python anotado. Desarrolle sus habilidades con proyectos como la predicción del volumen futuro de recetas de medicamentos, y pronto estará listo para construir sus propios pronósticos precisos y perspicaces.

Contenido.

Cree modelos para efectos estacionales y variables externas.

Modelos de previsión multivariante para predecir múltiples series temporales.

Aprendizaje profundo para grandes conjuntos de datos.

Automatice el proceso de previsión.

Sobre el lector.

Para científicos de datos familiarizados con Python y TensorFlow.

Sobre el autor.

Marco Peixeiro es un experimentado instructor de ciencia de datos que ha trabajado como científico de datos para uno de los mayores bancos de Canadá.

Tabla de contenidos.

PARTE 1 EL TIEMPO NO ESPERA A NADIE.

1 Entender la predicción de series temporales.

2 Una predicción ingenua del futuro.

3 Un paseo aleatorio.

PARTE 2 PREDICCIÓN CON MODELOS ESTADÍSTICOS.

4 Modelización de un proceso de media móvil.

5 Modelización de un proceso autorregresivo.

6 Modelización de series temporales complejas.

7 Predicción de series temporales no estacionarias.

8 Contabilización de la estacionalidad.

9 Añadir variables externas al modelo.

10 Predicción de series temporales múltiples.

11 Conclusión: Predicción del número de prescripciones de medicamentos antidiabéticos en Australia.

PARTE 3 PREVISIÓN A GRAN ESCALA CON DEEP LEARNING.

12 Introducción al aprendizaje profundo para la previsión de series temporales.

13 Ventana de datos y creación de líneas de base para el aprendizaje profundo.

14 Pasos de bebé con el aprendizaje profundo.

15 Recordar el pasado con LSTM.

16 Filtrado de series temporales con CNN.

17 Usar predicciones para hacer más predicciones.

18 Capstone: Predicción del consumo eléctrico de un hogar.

PARTE 4 AUTOMATIZACIÓN DE LA PREVISIÓN A ESCALA.

19 Automatización de la previsión de series temporales con Prophet.

20 Conclusión: Previsión del precio medio mensual de la carne en Canadá.

21 Ir más allá.