Sale
دستور العمل های الگوریتم های سری زمانی: پیاده سازی تکنیک های یادگیری ماشین و یادگیری عمیق با پایتون ۲۰۲۲
Time Series Algorithms Recipes: Implement Machine Learning and Deep Learning Techniques with Python 2022
دانلود کتاب دستور العمل های الگوریتم های سری زمانی: پیاده سازی تکنیک های یادگیری ماشین و یادگیری عمیق با پایتون ۲۰۲۲ (Time Series Algorithms Recipes: Implement Machine Learning and Deep Learning Techniques with Python 2022) با لینک مستقیم و فرمت pdf (پی دی اف)
| نویسنده |
Akshay R Kulkarni,Adarsha Shivananda,Anoosh Kulkarni,V Adithya Krishnan |
|---|
ناشر:
Apress
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2022 |
|---|---|
| زبان |
English |
| نوع فایل |
epub, pdf |
| حجم |
8 Mb |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب دستور العمل های الگوریتم های سری زمانی: پیاده سازی تکنیک های یادگیری ماشین و یادگیری عمیق با پایتون ۲۰۲۲
این کتاب آموزش عملی پیاده سازی مفاهیم مختلف در تحلیل و مدل سازی سری های زمانی با پایتون را از طریق دستورالعمل های حل مسئله ارائه می دهد، که از خواندن و پیش پردازش داده ها شروع می شود.
این کتاب با مبانی پیش بینی سری های زمانی با استفاده از روش های مدل سازی آماری مانند AR (خودهمبستگی)، MA (میانگین متحرک)، ARMA (خودهمبستگی میانگین متحرک)، و ARIMA (خودهمبستگی انتگرال میانگین متحرک) شروع می شود. سپس، شما مدل سازی تک متغیره و چندمتغیره را با استفاده از بسته های مختلف منبع باز مانند Fbprohet، statsmodel و sklearn یاد خواهید گرفت. همچنین، شما به بینش در مورد مدل های رگرسیون مبتنی بر یادگیری ماشینی کلاسیک مانند randomForest، Xgboost و LightGBM برای مسائل پیش بینی دست خواهید یافت. این کتاب با نمایش پیاده سازی مدل های یادگیری عمیق (LSTM و ANN) برای پیش بینی سری های زمانی به پایان می رسد. هر فصل شامل چندین مثال کد و تصویر است. پس از اتمام این کتاب، شما درک اساسی از مفاهیم مختلف مربوط به سری های زمانی و پیاده سازی آن در پایتون خواهید داشت. آنچه شما یاد خواهید گرفت
- پیاده سازی تکنیک های مختلف در تحلیل سری های زمانی با استفاده از پایتون.
- استفاده از روش های مدل سازی آماری مانند AR (خودهمبستگی)، MA (میانگین متحرک)، ARMA (خودهمبستگی میانگین متحرک) و ARIMA (خودهمبستگی انتگرال میانگین متحرک) برای پیش بینی سری های زمانی.
- درک مدل سازی تک متغیره و چندمتغیره برای پیش بینی سری های زمانی.
- پیش بینی با استفاده از تکنیک های یادگیری ماشینی و یادگیری عمیق مانند GBM و LSTM (حافظه کوتاه مدت بلند).
این کتاب برای چه کسانی مناسب است؟ این کتاب برای دانشمندان داده، مهندسان یادگیری ماشینی و توسعه دهندگان نرم افزاری که به تحلیل سری های زمانی علاقه مند هستند، مناسب است.
فهرست کتاب:
۱. جلد
۲. مطالب اولیه
۱. شروع به کار با سریهای زمانی
۲. مدلسازی تکمتغیره آماری
۳. مدلسازی پیشرفته تکمتغیره و چندمتغیره آماری
۴. پیشبینی مبتنی بر رگرسیون یادگیری ماشین
۵. پیشبینی سریهای زمانی مبتنی بر یادگیری عمیق
۸. مطالب انتهایی
توضیحات(انگلیسی)
This book teaches the practical implementation of various concepts for time series analysis and modeling with Python through problem-solution-style recipes, starting with data reading and preprocessing.
It begins with the fundamentals of time series forecasting using statistical modeling methods like AR (autoregressive), MA (moving-average), ARMA (autoregressive moving-average), and ARIMA (autoregressive integrated moving-average). Next, you'll learn univariate and multivariate modeling using different open-sourced packages like Fbprohet, stats model, and sklearn. You'll also gain insight into classic machine learning-based regression models like randomForest, Xgboost, and LightGBM for forecasting problems. The book concludes by demonstrating the implementation of deep learning models (LSTMs and ANN) for time series forecasting. Each chapter includes several code examples and illustrations. After finishing this book, you will have a foundational understanding of various concepts relating to time series and its implementation in Python. What You Will Learn
- Implement various techniques in time series analysis using Python.
- Utilize statistical modeling methods such as AR (autoregressive), MA (moving-average), ARMA (autoregressive moving-average) and ARIMA (autoregressive integrated moving-average) for time series forecasting
- Understand univariate and multivariate modeling for time series forecasting
- Forecast using machine learning and deep learning techniques such as GBM and LSTM (long short-term memory)
Who This Book Is For Data Scientists, Machine Learning Engineers, and software developers interested in time series analysis.
Table of Contents
1. Cover
2. Front Matter
1. Getting Started with Time Series
2. Statistical Univariate Modeling
3. Advanced Univariate and Statistical Multivariate Modeling
4. Machine Learning Regression–based Forecasting
5. Deep Learning–based Time Series Forecasting
8. Back Matter
دیگران دریافت کردهاند
✨ ضمانت تجربه خوب مطالعه
بازگشت کامل وجه
در صورت مشکل، مبلغ پرداختی بازگردانده می شود.
دانلود پرسرعت
دانلود فایل کتاب با سرعت بالا
ارسال فایل به ایمیل
دانلود مستقیم به همراه ارسال فایل به ایمیل.
پشتیبانی ۲۴ ساعته
با چت آنلاین و پیامرسان ها پاسخگو هستیم.
ضمانت کیفیت کتاب
کتاب ها را از منابع معتیر انتخاب می کنیم.
