ویژگیهای کلیدی:
ابزار پیشبینی متنباز Prophet که در Meta توسعه داده شده است را برای بهبود پیشبینیهای خود کاوش کنید.
ایجاد پیشبینی و اجرای تشخیص برای درک کیفیت پیشبینی
تنظیم دقیق مدلها برای دستیابی به عملکرد بالا و گزارش این عملکرد با آمار مشخص
شرح کتاب:
پیشبینی دادههای سری زمانی با Prophet به شما کمک میکند تا تکنیکهای پیشبینی پیشرفته Prophet را برای مدلسازی دادههای آینده با دقت بالا تنها با استفاده از چند خط کد پیادهسازی کنید. این ویرایش دوم با هر بهروزرسانی بسته Prophet از زمان انتشار اولین ویرایش دو سال پیش به طور کامل اصلاح شده است. یک فصل کاملاً جدید نیز گنجانده شده است که به معادلات ریاضی پشت مدلهای Prophet میپردازد. علاوه بر این، کتاب شامل بخشهای جدیدی در مورد پیشبینی در طول شوکهایی مانند کووید، ایجاد حالتهای روند سفارشی از ابتدا و بحث در مورد تحولات اخیر در جامعه پیشبینی متنباز است.
شما ویژگیهای پیشرفتهای مانند تجسم پیشبینیها، اضافه کردن تعطیلات و نقاط تغییر روند و مدیریت دادههای پرت را پوشش خواهید داد. شما از سری فوریه برای مدلسازی فصلی بودن استفاده خواهید کرد، یاد خواهید گرفت که چگونه بین یک مدل افزایشی و ضربی انتخاب کنید و زمان تغییر هر پارامتر مدل را درک خواهید کرد. بعداً، خواهید دید که چگونه مدلهای پیچیدهتر را با تنظیم هایپرپارامتر و با اضافه کردن رگرسورهای اضافی به مدل بهینهسازی کنید. در نهایت، یاد خواهید گرفت که چگونه تشخیصها را برای ارزیابی عملکرد مدلهای خود در تولید اجرا کنید.
در پایان این کتاب، شما قادر خواهید بود یک مجموعه داده خام سری زمانی را انتخاب کرده و مدلهای پیشبینی پیشرفته و دقیقی را با کد مختصر، قابل فهم و تکرارپذیر بسازید.
آنچه خواهید آموخت:
درک ریاضیات پشت مدلهای Prophet
ساخت مدلهای پیشبینی عملی از مجموعه دادههای واقعی با استفاده از پایتون
درک حالتهای مختلف رشدی که سریهای زمانی اغلب نشان میدهند
کشف نحوه شناسایی و برخورد با دادههای پرت در دادههای سری زمانی
یافتن نحوه کنترل فواصل عدم قطعیت برای ارائه درصد اطمینان در پیشبینیهای شما
تولید مدلهای Prophet برای مقیاسبندی سریعتر و کارآمدتر کار شما
این کتاب برای چه کسانی مناسب است:
این کتاب برای مدیران کسبوکار، دانشمندان داده، تحلیلگران داده، مهندسان یادگیری ماشین و مهندسان نرمافزاری است که میخواهند پیشبینیهای سری زمانی را در پایتون یا R بسازند. برای بهرهمندی هرچه بیشتر از این کتاب، باید درک اولیهای از دادههای سری زمانی داشته باشید و بتوانید آن را از سایر انواع دادهها متمایز کنید. دانش اولیه در مورد تکنیکهای پیشبینی یک مزیت محسوب میشود.






























