Opis

Analiza szeregów czasowych zyskuje na znaczeniu. Wraz z postępującą digitalizacją danych służby zdrowia, rozwojem inteligentnych miast czy upowszechniającym się internetem rzeczy staje się coraz bardziej potrzebna. Obiecującym rozwiązaniem jest analiza szeregów czasowych metodami wspomaganymi uczeniem maszynowym. Techniki te umożliwiają skuteczne monitorowanie i wykorzystywanie coraz większych zbiorów danych. Być może ich zastosowanie do pracy z szeregami czasowymi wydaje się nieoczywiste, jednak bez analiz szeregów czasowych nie można w pełni wykorzystać zebranych danych.Ta książka jest szerokim, aktualnym i praktycznym przeglądem metod analizy szeregów czasowych, w którym ujęto pełny potok przetwarzania danych czasowych i modelowania. Zaprezentowano w niej rzeczywiste przypadki użycia tych metod i zilustrowano je obszernymi fragmentami znakomicie zaprojektowanego kodu w językach R i Python. Znalazły się tutaj praktyczne wskazówki ułatwiające rozwiązywanie najczęstszych problemów występujących w inżynierii danych czasowych i ich analizie. Ujęto tu zarówno konwencjonalne metody statystyczne, jak i nowoczesne techniki uczenia maszynowego. To bardzo przydatny przewodnik, dzięki któremu analitycy danych, inżynierowie oprogramowania i naukowcy będą mogli płynnie przejść od podstaw pracy z szeregami czasowymi do rozwiązywania konkretnych zagadnień na profesjonalnym poziomie.Dzięki tej książce nauczysz się:pozyskiwać, przechowywać i przetwarzać szeregi czasoweeksplorować dane czasowe i symulować jewykonywać pomiary błędówpracować z szeregami czasowymi za pomocą uczenia maszynowego lub uczenia głębokiegooceniać dokładność i wydajność modeliSkutecznie analizuj szeregi czasowe i wydobywaj bezcenną wiedzę!Spis treści:Wstęp 91. Koncepcja szeregów czasowych 15Szeregi czasowe w różnych dziedzinach – krótka historia 15Szeregi czasowe w medycynie 16Przewidywanie pogody 20Prognozy rozwoju gospodarczego 21Astronomia 23Początki analizy szeregów czasowych 24Metody statystyczne w analizie szeregów czasowych 25Uczenie maszynowe w analizie szeregów czasowych 26Zobacz też 272. Pozyskiwanie i przetwarzanie szeregów czasowych 29Gdzie można znaleźć szeregi czasowe? 30Gotowe zestawy danych 30Odnajdywanie szeregów czasowych 36Konstruowanie szeregu czasowego na podstawie danych tabelarycznych 37Przygotowanie danych – instrukcja krok po kroku 38Konstruowanie szeregu czasowego na podstawie zebranych danych 44Problemy związane ze znacznikami czasu 46Czego dotyczy dany znacznik? 46Praca z danymi pozbawionymi dokumentacji 48Co to jest znacząca skala czasu? 50Oczyszczanie danych 50Brakujące dane 51Zmiana częstotliwości próbkowania 60Wygładzanie danych 63Wahania sezonowe 68Strefy czasowe 71Zapobieganie zjawisku lookahead 74Zobacz też 763. Metody eksplorowania danych czasowych 79Metody ogólnego przeznaczenia 79Wykresy liniowe 80Histogramy 82Wykresy punktowe 84Metody przeznaczone do eksploracji szeregów czasowych 86O stacjonarności słów kilka 86Stosowanie okien czasowych 90Związki pomiędzy wartościami w szeregu 95Korelacje pozorne 105Przegląd użytecznych metod wizualizacji 107Wizualizacje w jednym wymiarze 107Wizualizacje w dwóch wymiarach 108Wizualizacje w trzech wymiarach 114Zobacz też 1174. Symulacje szeregów czasowych 119Czym wyróżniają się symulacje szeregów czasowych? 120Symulacje kontra prognozy 120Symulacje w implementacjach 121Przykład 1. – zrób to sam 121Przykład 2. – tworzenie świata symulacji, który sam sobą steruje 126Przykład 3. – symulacja zjawiska fizycznego 132Uwagi końcowe 137Symulacje z wykorzystaniem metod statystycznych 138Symulacje z wykorzystaniem uczenia głębokiego 138Zobacz też 1385. Przechowywanie danych czasowych 141Definiowanie wymagań 143Dane rzeczywiste a dane przechowywane 144Bazy danych 146SQL kontra NoSQL 147Przegląd popularnych rozwiązań bazodanowych dla szeregów czasowych 149Przechowywanie danych w plikach 153NumPy 154Pandas 155Odpowiedniki w środowisku R 155Xarray 156Zobacz też 1576. Modele statystyczne 159Dlaczego nie należy korzystać z regresji liniowej? 159Metody statystyczne dla szeregów czasowych 161Modele autoregresyjne 161Modele ze średnią ruchomą 174Zintegrowane modele autoregresyjne średniej ruchomej 178Model wektorowej autoregresji 187Inne modele 191Zalety i wady modeli statystycznych 192Zobacz też 1937. Modele zmiennych stanu 195Wady i zalety modeli zmiennych stanu 196Filtr Kalmana 197Model 197Implementacja 199Ukryte modele Markowa 203Sposób działania modelu 204Dopasowywanie modelu 205Implementacja dopasowania modelu 208Bayesowskie strukturalne szeregi czasowe (BSTS) 213Implementacja 214Zobacz też 2188. Generowanie i selekcja cech 221Przykład wprowadzający 222Ogólne uwagi dotyczące cech 223Natura danego szeregu 223Wiedza dziedzinowa 224Parametry zewnętrzne 225Przegląd miejsc, w których można szukać inspiracji dotyczących wyboru cech 225Biblioteki dostępne na licencji open source 226Przykłady cech powiązanych z konkretnymi dziedzinami 230Jak dokonać selekcji cech po ich wygenerowaniu? 233Podsumowanie i wnioski 236Zobacz też 2369. Uczenie maszynowe w analizie szeregów czasowych 239Klasyfikacja szeregów czasowych 240Generowanie i selekcja cech 240Drzewa decyzyjne 243Klasteryzacja 250Generowanie cech 251Metryki uwzględniające zmianę czasu 258Klasteryzacja w kodzie 262Zobacz też 26410. Uczenie głębokie 267Geneza uczenia głębokiego 269Implementacja sieci neuronowej 271Dane, symbole, operacje, warstwy i grafy 272Budowa potoku uczenia 275Spojrzenie na zestaw danych 275Elementy potoku uczenia 278Jednokierunkowe sieci neuronowe 293Prosty przykład 293Wykorzystanie modelu atencji do uczynienia jednokierunkowych sieci bardziej świadomymi czasu 296Konwolucyjne sieci neuronowe 298Prosty model sieci konwolucyjnej 300Alternatywne modele konwolucyjne 302Rekurencyjne sieci neuronowe 304Kontynuacja przykładu z zapotrzebowaniem na prąd 307Autoenkoder 308Połączenie architektur 309Podsumowanie 313Zobacz też 31411. Pomiary błędów 317Podstawy: jak przetestować prognozę? 318Weryfikacja historyczna a kwestie związane z konkretnym modelem 320Kiedy prognoza jest wystarczająco dobra? 321Szacowanie niepewności modelu w oparciu o symulację 323Prognozowanie na wiele kroków naprzód 326Bezpośrednie dopasowanie do danego horyzontu 326Podejście rekurencyjne do odległych horyzontów czasowych 326Uczenie wielozadaniowe w kontekście szeregów czasowych 327Pułapki walidacji 327Zobacz też 32812. Kwestie wydajnościowe w dopasowywaniu i wdrażaniu modeli 331Praca z narzędziami przeznaczonymi do bardziej ogólnych przypadków użycia 332Modele zbudowane z myślą o danych przekrojowych nie „współdzielą” danych pomiędzy próbkami 332Modele, które nie wspierają wcześniejszego obliczania,tworzą niepotrzebne opóźnienia pomiędzy pomiarem aprognozowaniem 334Wady i zalety formatów zapisu danych 334Przechowuj dane w formacie binarnym 335Przetwarzaj dane w sposób umożliwiający „przesuwanie się” po nich 335Modyfikacje analizy dla zwiększenia jej wydajności 336Wykorzystanie wszystkich danych to niekoniecznie najlepszy pomysł 336Złożone modele nie zawsze sprawdzają się znacznie lepiej 337Krótki przegląd innych wysokowydajnych narzędzi 338Zobacz też 33813. Zastosowania w obszarze opieki zdrowotnej 341Przewidywanie grypy 341Studium przypadku grypy w jednym obszarze metropolitalnym 341Jak obecnie wygląda prognozowanie grypy? 354Przewidywanie stężenia cukru we krwi 356Eksploracja danych i ich oczyszczanie 357Generowanie cech 361Dopasowanie modelu 366Zobacz też 37114. Zastosowania w obszarze finansów 373Pozyskiwanie i eksploracja danych finansowych 374Wstępne przetwarzanie danych do uczenia głębokiego 380Dodawanie interesujących nas wielkości do surowych danych 380Skalowanie interesujących nas wielkości bez wprowadzania zjawiska lookahead 381Formatowanie danych do sieci neuronowej 383Budowanie i uczenie rekurencyjnej sieci neuronowej 386Zobacz też 39215. Szeregi czasowe w danych rządowych 393Pozyskiwanie danych rządowych 394Eksploracja dużych zbiorów danych czasowych 395Zwiększenie częstotliwości próbkowania i agregowanie danych podczas iteracji 399Sortowanie danych 399Statystyczna analiza szeregów czasowych „w locie” 403Pozostałe pytania 412Dalsze możliwości poprawy 413Zobacz też 41316. Pakiety przeznaczone do pracy z szeregami czasowymi 415Prognozowanie na dużą skalę 415Wewnętrzne narzędzia Googlea do przemysłowego prognozowania 416Otwartoźródłowy pakiet Prophet od Facebooka 418Wykrywanie anomalii 422Otwartoźródłowy pakiet AnomalyDetection od Twittera 422Inne pakiety stworzone z myślą o szeregach czasowych 425Zobacz też 42617. Prognozy o prognozowaniu 427Prognozowanie jako usługa 427Uczenie głębokie zwiększa możliwości probabilistyczne 428Wzrost znaczenia uczenia maszynowego kosztem statystyki 429Wzrost popularności metod łączących podejście statystyczne i uczenie maszynowe 429Więcej prognoz dotyczących życia codziennego 430O autorze: Aileen Nielsen – jest inżynierem oprogramowania i analitykiem danych. Współpracuje ze start-upami, które korzystają z szeregów czasowych i sieci neuronowych. Wcześniej pracowała w kancelariach prawnych, laboratoriach badawczych i start-upach technologicznych. Interesuje się inżynierią oprogramowania obronnego oraz współdziałaniem prawa i technologii. Często występuje na konferencjach dotyczących uczenia maszynowego i predykcji za pomocą sieci neuronowych.

Informatyka

turcja czas, mop golina lotos, wlochy, autostrady slowenia, podatek ppl co to

yyyyy