پیش‌بینی سری‌های زمانی در پایتون ۲۰۲۲
Time Series Forecasting in Python 2022

در کتاب پیش‌بینی سری‌های زمانی در پایتون خواهید آموخت که چگونه:

* یک مسئله پیش‌بینی سری زمانی را تشخیص داده و یک مدل پیش‌بینی‌کننده کارآمد بسازید.
* مدل‌های پیش‌بینی تک‌متغیره ایجاد کنید که اثرات فصلی و متغیرهای خارجی را در نظر می‌گیرند.
* مدل‌های پیش‌بینی چندمتغیره بسازید تا چندین سری زمانی را به طور همزمان پیش‌بینی کنید.
* با استفاده از یادگیری عمیق برای پیش‌بینی سری‌های زمانی، از مجموعه‌داده‌های بزرگ بهره ببرید.
* فرایند پیش‌بینی را خودکار کنید.

پیش‌بینی سری‌های زمانی در پایتون به شما می‌آموزد که چگونه مدل‌های پیش‌بینی‌کننده قدرتمند را از داده‌های مبتنی بر زمان بسازید. هر مدلی که می‌سازید مرتبط، مفید و پیاده‌سازی آن با پایتون آسان است. شما مجموعه‌داده‌های جالب دنیای واقعی مانند قیمت روزانه سهام گوگل و داده‌های اقتصادی ایالات متحده آمریکا را بررسی خواهید کرد و به سرعت از اصول اولیه به توسعه مدل‌های بزرگ‌مقیاس که از ابزارهای یادگیری عمیق مانند TensorFlow استفاده می‌کنند، پیشرفت خواهید کرد.

درباره‌ی فناوری
شما می‌توانید آینده را پیش‌بینی کنید – با کمی کمک از پایتون، یادگیری عمیق و داده‌های سری زمانی! پیش‌بینی سری‌های زمانی تکنیکی برای مدل‌سازی داده‌های زمان‌محور برای شناسایی رویدادهای آینده است. کتابخانه‌های جدید پایتون و ابزارهای قدرتمند یادگیری عمیق، پیش‌بینی دقیق سری‌های زمانی را آسان‌تر از همیشه کرده‌اند.

درباره‌ی کتاب
پیش‌بینی سری‌های زمانی در پایتون به شما می‌آموزد که چگونه پیش‌بینی‌های فوری و معناداری را از داده‌های مبتنی بر زمان مانند گزارش‌ها، تجزیه و تحلیل مشتری و سایر جریان‌های رویداد به دست آورید. در این کتاب در دسترس، شما روش‌های آماری و یادگیری عمیق را برای پیش‌بینی سری‌های زمانی یاد خواهید گرفت که به طور کامل با کد پایتون حاشیه‌نویسی شده نشان داده شده‌اند. مهارت‌های خود را با پروژه‌هایی مانند پیش‌بینی حجم آینده نسخه‌های دارویی توسعه دهید و به زودی آماده خواهید بود تا پیش‌بینی‌های دقیق و روشنگرانه خود را بسازید.

آنچه در داخل خواهید یافت:

* ایجاد مدل‌هایی برای اثرات فصلی و متغیرهای خارجی
* مدل‌های پیش‌بینی چندمتغیره برای پیش‌بینی چند سری زمانی
* یادگیری عمیق برای مجموعه‌داده‌های بزرگ
* خودکارسازی فرایند پیش‌بینی

درباره‌ی خواننده
برای دانشمندان داده که با پایتون و TensorFlow آشنا هستند.

درباره‌ی نویسنده
مارکو پیکسیرو یک مربی باتجربه علم داده است که به عنوان دانشمند داده برای یکی از بزرگترین بانک‌های کانادا کار کرده است.

فهرست مطالب
بخش 1: زمان منتظر هیچ‌کس نمی‌ماند
1. درک پیش‌بینی سری‌های زمانی
2. یک پیش‌بینی ساده‌لوحانه از آینده
3. قدم زدن تصادفی
بخش 2: پیش‌بینی با مدل‌های آماری
4. مدل‌سازی یک فرایند میانگین متحرک
5. مدل‌سازی یک فرایند خودرگرسیونی
6. مدل‌سازی سری‌های زمانی پیچیده
7. پیش‌بینی سری‌های زمانی غیرایستا
8. در نظر گرفتن فصلی بودن
9. اضافه کردن متغیرهای خارجی به مدل ما
10. پیش‌بینی چند سری زمانی
11. پروژه عملی: پیش‌بینی تعداد نسخه‌های داروی ضد دیابت در استرالیا
بخش 3: پیش‌بینی در مقیاس بزرگ با یادگیری عمیق
12. معرفی یادگیری عمیق برای پیش‌بینی سری‌های زمانی
13. پنجره‌بندی داده‌ها و ایجاد خطوط مبنا برای یادگیری عمیق
14. قدم‌های کوچک با یادگیری عمیق
15. به خاطر سپردن گذشته با LSTM
16. فیلتر کردن یک سری زمانی با CNN
17. استفاده از پیش‌بینی‌ها برای انجام پیش‌بینی‌های بیشتر
18. پروژه عملی: پیش‌بینی مصرف برق یک خانوار
بخش 4: خودکارسازی پیش‌بینی در مقیاس
19. خودکارسازی پیش‌بینی سری‌های زمانی با Prophet
20. پروژه عملی: پیش‌بینی میانگین قیمت خرده‌فروشی ماهانه استیک در کانادا
21. فراتر رفتن از حد معمول

In Time Series Forecasting in Python you will learn how to:

Recognize a time series forecasting problem and build a performant predictive model
Create univariate forecasting models that account for seasonal effects and external variables
Build multivariate forecasting models to predict many time series at once
Leverage large datasets by using deep learning for forecasting time series
Automate the forecasting process

Time Series Forecasting in Python teaches you to build powerful predictive models from time-based data. Every model you create is relevant, useful, and easy to implement with Python. You’ll explore interesting real-world datasets like Google’s daily stock price and economic data for the USA, quickly progressing from the basics to developing large-scale models that use deep learning tools like TensorFlow.

About the technology
You can predict the future—with a little help from Python, deep learning, and time series data! Time series forecasting is a technique for modeling time-centric data to identify upcoming events. New Python libraries and powerful deep learning tools make accurate time series forecasts easier than ever before.

About the book
Time Series Forecasting in Python teaches you how to get immediate, meaningful predictions from time-based data such as logs, customer analytics, and other event streams. In this accessible book, you’ll learn statistical and deep learning methods for time series forecasting, fully demonstrated with annotated Python code. Develop your skills with projects like predicting the future volume of drug prescriptions, and you’ll soon be ready to build your own accurate, insightful forecasts.

What’s inside

Create models for seasonal effects and external variables
Multivariate forecasting models to predict multiple time series
Deep learning for large datasets
Automate the forecasting process

About the reader
For data scientists familiar with Python and TensorFlow.

About the author
Marco Peixeiro is a seasoned data science instructor who has worked as a data scientist for one of Canada’s largest banks.

Table of Contents
PART 1 TIME WAITS FOR NO ONE
1 Understanding time series forecasting
2 A naive prediction of the future
3 Going on a random walk
PART 2 FORECASTING WITH STATISTICAL MODELS
4 Modeling a moving average process
5 Modeling an autoregressive process
6 Modeling complex time series
7 Forecasting non-stationary time series
8 Accounting for seasonality
9 Adding external variables to our model
10 Forecasting multiple time series
11 Capstone: Forecasting the number of antidiabetic drug prescriptions in Australia
PART 3 LARGE-SCALE FORECASTING WITH DEEP LEARNING
12 Introducing deep learning for time series forecasting
13 Data windowing and creating baselines for deep learning
14 Baby steps with deep learning
15 Remembering the past with LSTM
16 Filtering a time series with CNN
17 Using predictions to make more predictions
18 Capstone: Forecasting the electric power consumption of a household
PART 4 AUTOMATING FORECASTING AT SCALE
19 Automating time series forecasting with Prophet
20 Capstone: Forecasting the monthly average retail price of steak in Canada
21 Going above and beyond