تحلیل سری های زمانی با پایتون؛ دستورالعمل های کاربردی برای تحلیل داده های اکتشافی، آماده سازی داده ها، پیش بینی و ارزیابی مدل

ویژگی‌های کلیدی

با استفاده از الگوریتم‌های آماری، یادگیری ماشین و یادگیری عمیق، تکنیک‌های پیش‌بینی و تشخیص ناهنجاری را بررسی کنید.
با انواع داده‌های پیچیده با روندها، الگوهای فصلی متعدد و بی‌نظمی‌ها کار کنید.

شرح کتاب

داده‌های سری زمانی در همه جا وجود دارند و با فراوانی و حجم بالا در دسترس هستند. این داده‌ها پیچیده هستند و می‌توانند حاوی نویز، بی‌نظمی و الگوهای متعدد باشند، که این امر، آشنایی کامل با تکنیک‌های مطرح شده در این کتاب را برای آماده‌سازی، تحلیل و پیش‌بینی داده‌ها بسیار مهم می‌کند.

این کتاب تکنیک‌های عملی برای کار با داده‌های سری زمانی را پوشش می‌دهد، که با دریافت داده‌های سری زمانی از منابع و فرمت‌های مختلف، چه در فضای ذخیره‌سازی ابری خصوصی، پایگاه‌های داده رابطه‌ای، پایگاه‌های داده غیر رابطه‌ای یا پایگاه‌های داده سری زمانی تخصصی مانند InfluxDB، شروع می‌شود. در مرحله بعد، استراتژی‌هایی برای مدیریت داده‌های از دست رفته، برخورد با مناطق زمانی و روزهای کاری سفارشی و تشخیص ناهنجاری‌ها با استفاده از روش‌های آماری شهودی و به دنبال آن مدل‌های پیشرفته‌تر یادگیری ماشین بدون نظارت، خواهید آموخت. این کتاب همچنین پیش‌بینی با استفاده از مدل‌های آماری کلاسیک مانند Holt-Winters، SARIMA و VAR را بررسی خواهد کرد. دستورالعمل‌ها تکنیک‌های عملی برای مدیریت داده‌های غیر ایستا، استفاده از تبدیل‌های توانی، نمودارهای ACF و PACF و تجزیه داده‌های سری زمانی با الگوهای فصلی متعدد را ارائه می‌دهند. بعداً، با مدل‌های ML و DL با استفاده از TensorFlow و PyTorch کار خواهید کرد.

در نهایت، یاد خواهید گرفت که چگونه با استفاده از دستورالعمل‌های مطرح شده در کتاب، مدل‌ها را ارزیابی، مقایسه، بهینه‌سازی و موارد دیگر را ارزیابی کنید.

آنچه خواهید آموخت

درک کنید که چه چیزی داده‌های سری زمانی را از سایر داده‌ها متفاوت می‌کند
اعمال استراتژی‌های مختلف جایگذاری و درون‌یابی برای داده‌های گمشده
پیاده‌سازی مدل‌های مختلف برای سری‌های زمانی تک متغیره و چند متغیره
استفاده از کتابخانه‌های مختلف یادگیری عمیق مانند TensorFlow، Keras و PyTorch
ترسیم مصورسازی‌های تعاملی سری‌های زمانی با استفاده از hvPlot
بررسی مدل‌های فضای حالت و مدل اجزای مشاهده نشده (UCM)
تشخیص ناهنجاری‌ها با استفاده از روش‌های آماری و یادگیری ماشین
پیش‌بینی سری‌های زمانی پیچیده با الگوهای فصلی متعدد

این کتاب برای چه کسانی مناسب است؟

این کتاب برای تحلیلگران داده، تحلیلگران کسب و کار، دانشمندان داده، مهندسان داده یا توسعه‌دهندگان پایتون است که به دنبال دستورالعمل‌های کاربردی پایتون برای تحلیل سری‌های زمانی و تکنیک‌های پیش‌بینی هستند. دانش پایه در برنامه‌نویسی پایتون مورد نیاز است. اگرچه داشتن پیش‌زمینه ریاضی و آمار پایه مفید خواهد بود، اما ضروری نیست. تجربه قبلی در کار با داده‌های سری زمانی برای حل مشکلات تجاری نیز به شما کمک می‌کند تا دستورالعمل‌های مختلف این کتاب را بهتر استفاده و به کار ببرید.

فهرست مطالب

شروع کار با تحلیل سری‌های زمانی
خواندن داده‌های سری زمانی از فایل‌ها
خواندن داده‌های سری زمانی از پایگاه‌های داده
ذخیره‌سازی داده‌های سری زمانی در فایل‌ها
ذخیره‌سازی داده‌های سری زمانی در پایگاه‌های داده
کار با تاریخ و زمان در پایتون
مدیریت داده‌های گمشده
تشخیص داده‌های پرت با استفاده از روش‌های آماری
تجزیه و تحلیل و تشخیص داده‌های اکتشافی
ساخت مدل‌های سری زمانی تک متغیره با استفاده از روش‌های آماری
تکنیک‌های مدل‌سازی آماری اضافی برای سری‌های زمانی
پیش‌بینی با استفاده از یادگیری ماشین نظارت‌شده
یادگیری عمیق برای پیش‌بینی سری‌های زمانی
تشخیص داده‌های پرت با استفاده از یادگیری ماشین بدون نظارت
تکنیک‌های پیشرفته برای سری‌های زمانی پیچیده