پیش بینی پیشرفته با پایتون

تمام تکنیک‌های یادگیری ماشین مرتبط با مسائل پیش‌بینی، از سری‌های زمانی تک متغیره و چند متغیره گرفته تا یادگیری تحت نظارت، و مدل‌های پیش‌بینی عمیق پیشرفته مانند LSTMها، شبکه‌های عصبی بازگشتی، مدل متن‌باز Prophet فیس‌بوک و مدل DeepAR آمازون را پوشش می‌دهد.

این کتاب به جای تمرکز بر مجموعه‌ای خاص از مدل‌ها، مروری جامع بر تمام تکنیک‌های مرتبط با متخصصان پیش‌بینی ارائه می‌دهد. این کتاب با توضیح دسته‌های مختلف مدل‌هایی که برای پیش‌بینی به زبان سطح بالا مرتبط هستند، آغاز می‌شود. سپس، مدل‌های سری زمانی تک متغیره و چند متغیره و به دنبال آن مدل‌های پیشرفته یادگیری ماشین و یادگیری عمیق را پوشش می‌دهد. در پایان، به تأملاتی در مورد انتخاب مدل مانند نمرات معیار در مقابل قابل فهم بودن مدل‌ها در مقابل زمان محاسبه، و آموزش مجدد و به‌روزرسانی خودکار مدل‌ها می‌پردازد.

هر یک از مدل‌های ارائه شده در این کتاب به طور عمیق پوشش داده شده است، با توضیحی ساده و شهودی از مدل، رونویسی ریاضی ایده و کد پایتون که مدل را بر روی یک مجموعه داده نمونه اعمال می‌کند.

خواندن این کتاب، به مهارت‌های پیش‌بینی فعلی شما، یک مزیت رقابتی اضافه می‌کند. این کتاب همچنین برای کسانی که اخیراً کار بر روی وظایف پیش‌بینی را شروع کرده‌اند و به دنبال کتابی جامع هستند که به آنها اجازه دهد با مدل‌های سنتی شروع کنند و به تدریج به مدل‌های پیشرفته‌تر و جدیدتر روی آورند، مناسب است.

آنچه خواهید آموخت

پیش‌بینی را با پایتون انجام دهید
به صورت ریاضی و شهودی مدل‌های پیش‌بینی سنتی و تکنیک‌های پیشرفته یادگیری ماشین را درک کنید
اصول پیش‌بینی و یادگیری ماشین، از جمله ارزیابی مدل‌ها، اعتبارسنجی متقابل و آزمون برگشتی را بیاموزید
مدل مناسب را برای مورد استفاده مناسب انتخاب کنید

این کتاب برای چه کسانی مناسب است

ماهیت پیشرفته فصل‌های بعدی، این کتاب را برای متخصصان کاربردی که در حوزه پیش‌بینی کار می‌کنند، مرتبط می‌کند، زیرا مدل‌های پوشش داده شده اخیراً منتشر شده‌اند. متخصصانی که در این حوزه کار می‌کنند، می‌خواهند مهارت‌های خود را به‌روز کنند، زیرا مدل‌های سنتی مرتباً توسط مدل‌های جدیدتر شکست می‌خورند.