Advanced Forecasting with Python: With State-Of-The-Art-Models Including Lstms, Facebook's Prophet, and Amazon's Deepar
暫譯: 使用 Python 進行高級預測：包含最先進模型如 LSTMs、Facebook 的 Prophet 和 Amazon 的 DeepAR
Korstanje, Joos
相關主題
商品描述
Chapter 1: Models for ForecastingChapter Goal: Explains the different categories of models that are relevant for forecasting in high level languageNo pages: 10Sub -Topics1. Time series models2. Supervised vs unsupervised models3. Classification vs regression models4. Univariate vs multivariate models
Chapter 2: Model Evaluation for ForecastingChapter Goal: Explains model evaluation with specific adaptations to keep in mind for forecastingNo pages: 15Sub -Topics1. Train test split2. Cross validation for forecasting3. Backtesting
PART II: Univariate Time Series Models
Chapter 3: The AR ModelChapter Goal: explain the AR model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding AR model2. Mathematical explanation of the AR model3. Worked out Python forecasting example with the AR model
Chapter 4: The MA modelChapter Goal: explain the MA model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding MA model2. Mathematical explanation of the MA model3. Worked out Python forecasting example with the MA model
Chapter 5: The ARMA modelChapter Goal: explain the ARMA model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding ARMA model2. Mathematical explanation of the ARMA model3. Worked out Python forecasting example with the ARMA model
Chapter 6: The ARIMA modelChapter Goal: Explains the ARIMA model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding ARIMA model2. Mathematical explanation of the ARIMA model3. Worked out Python forecasting example with the ARIMA model
Chapter 7: The SARIMA ModelChapter Goal: Explains the SARIMA model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding SARIMA model2. Mathematical explanation of the SARIMA model3. Worked out Python forecasting example with the SARIMA model
PART III: Multivariate Time Series Models
Chapter 8: The VAR modelChapter Goal: Explains the VAR model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding VAR model2. Mathematical explanation of the VAR model3. Worked out Python forecasting example with the VAR model
Chapter 9: The Bayesian VAR modelChapter Goal: Explains the Bayesian VAR model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding Bayesian VAR model2. Mathematical explanation of the Bayesian VAR model3. Worked out Python forecasting example with the Bayesian VAR model
PART IV: Supervised Machine Learning Models
Chapter 10: The Linear Regression modelChapter Goal: Explains the Linear Regression model (intuitively, mathematically and give python application with code and data set)No pages: 8Sub -Topics1. Understanding Linear Regression model
商品描述(中文翻譯)
第一部分：機器學習預測
第1章：預測模型
章節目標：解釋與預測相關的不同類別模型
頁數：10
子主題：
1. 時間序列模型
2. 監督式與非監督式模型
3. 分類模型與回歸模型
4. 單變量模型與多變量模型
第2章：預測模型評估
章節目標：解釋模型評估，並針對預測的特定調整進行說明
頁數：15
子主題：
1. 訓練測試分割
2. 預測的交叉驗證
3. 回測
第二部分：單變量時間序列模型
第3章：自回歸模型（AR模型）
章節目標：解釋自回歸模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解AR模型
2. AR模型的數學解釋
3. 使用AR模型的Python預測範例
第4章：移動平均模型（MA模型）
章節目標：解釋移動平均模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解MA模型
2. MA模型的數學解釋
3. 使用MA模型的Python預測範例
第5章：自回歸移動平均模型（ARMA模型）
章節目標：解釋自回歸移動平均模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解ARMA模型
2. ARMA模型的數學解釋
3. 使用ARMA模型的Python預測範例
第6章：自回歸整合移動平均模型（ARIMA模型）
章節目標：解釋自回歸整合移動平均模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解ARIMA模型
2. ARIMA模型的數學解釋
3. 使用ARIMA模型的Python預測範例
第7章：季節性自回歸整合移動平均模型（SARIMA模型）
章節目標：解釋季節性自回歸整合移動平均模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解SARIMA模型
2. SARIMA模型的數學解釋
3. 使用SARIMA模型的Python預測範例
第三部分：多變量時間序列模型
第8章：向量自回歸模型（VAR模型）
章節目標：解釋向量自回歸模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解VAR模型
2. VAR模型的數學解釋
3. 使用VAR模型的Python預測範例
第9章：貝葉斯向量自回歸模型（Bayesian VAR模型）
章節目標：解釋貝葉斯向量自回歸模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解Bayesian VAR模型
2. Bayesian VAR模型的數學解釋
3. 使用Bayesian VAR模型的Python預測範例
第四部分：監督式機器學習模型
第10章：線性回歸模型
章節目標：解釋線性回歸模型（直觀、數學上並提供Python應用程式及代碼和數據集）
頁數：8
子主題：
1. 理解線性回歸模型
作者簡介
Joos is a data scientist, with over five years of industry experience in developing machine learning tools, of which a large part is forecasting models. He currently works at Disneyland Paris where he develops machine learning for a variety of tools. His experience in writing and teaching have motivated him to make this book on advanced forecasting with Python.
作者簡介(中文翻譯)
Joos 是一位數據科學家，擁有超過五年的行業經驗，專注於開發機器學習工具，其中很大一部分是預測模型。他目前在巴黎迪士尼樂園工作，負責為各種工具開發機器學習。他在寫作和教學方面的經驗激勵他撰寫這本關於使用 Python 進行高級預測的書籍。
