Advanced Forecasting with Python / Korstanje, Joos  

Público ISBD Ningún comentario para este registro. Título : Advanced Forecasting with Python : With State-of-the-Art-Models Including LSTMs, Facebook's Prophet, and Amazon's DeepAR Tipo de documento: documento electrónico Autores: Korstanje, Joos, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XVII, 296 p. 106 ilustraciones, 36 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-7150-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático  Python (lenguaje de programa informático)  Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Cubre todas las técnicas de aprendizaje automático relevantes para problemas de pronóstico, desde series temporales univariadas y multivariadas hasta aprendizaje supervisado y modelos de pronóstico profundo de última generación, como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y Amazon. Modelo DeepAR. En lugar de centrarse en un conjunto específico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorías de modelos que son relevantes para el pronóstico en un lenguaje de alto nivel. A continuación, cubre modelos de series temporales univariantes y multivariantes, seguidos de modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como puntuaciones de referencia versus comprensibilidad de los modelos versus tiempo de cálculo, y reentrenamiento y actualización automatizados de modelos. Cada uno de los modelos presentados en este libro se cubre en profundidad, con una explicación simple e intuitiva del modelo, una transcripción matemática de la idea y un código Python que aplica el modelo a un conjunto de datos de ejemplo. Leer este libro agregará una ventaja competitiva a sus habilidades de pronóstico actuales. El libro también está adaptado a aquellos que han empezado recientemente a trabajar en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados. Usted: Realizará pronósticos con Python Comprenderá de manera matemática e intuitiva los modelos de pronóstico tradicionales y las técnicas de aprendizaje automático de última generación. Adquirirá los conceptos básicos de pronóstico y aprendizaje automático, incluida la evaluación de modelos, la validación cruzada y las pruebas retrospectivas. Seleccionará el correcto. modelo para el caso de uso correcto. Nota de contenido: Chapter 1: Models for Forecasting -- Chapter 2: Model Evaluation for Forecasting -- Chapter 3: The AR Model -- Chapter 4: The MA model -- Chapter 5: The ARMA model -- Chapter 6: The ARIMA model -- Chapter 7: The SARIMA Model -- Chapter 8: The VAR model -- Chapter 9: The Bayesian VAR model -- Chapter 10: The Linear Regression model -- Chapter 11: The Decision Tree model -- Chapter 12: The k-Nearest Neighbors VAR model -- Chapter 13: The Random Forest Model -- Chapter 14: The XGBoost model -- Chapter 15: The Neural Network model -- Chapter 16: Recurrent Neural Networks -- Chapter 17: LSTMs -- Chapter 18: Facebook's Prophet model -- Chapter 19: Amazon's DeepAR Model -- Chapter 20: Deep State Space Models -- Chapter 21: Model selection. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Advanced Forecasting with Python : With State-of-the-Art-Models Including LSTMs, Facebook's Prophet, and Amazon's DeepAR [documento electrónico] / Korstanje, Joos, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2021 . - XVII, 296 p. 106 ilustraciones, 36 ilustraciones en color. ISBN : 978-1-4842-7150-6 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático  Python (lenguaje de programa informático)  Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Cubre todas las técnicas de aprendizaje automático relevantes para problemas de pronóstico, desde series temporales univariadas y multivariadas hasta aprendizaje supervisado y modelos de pronóstico profundo de última generación, como LSTM, redes neuronales recurrentes, el modelo Prophet de código abierto de Facebook y Amazon. Modelo DeepAR. En lugar de centrarse en un conjunto específico de modelos, este libro presenta una visión exhaustiva de todas las técnicas relevantes para los profesionales de la previsión. Comienza explicando las diferentes categorías de modelos que son relevantes para el pronóstico en un lenguaje de alto nivel. A continuación, cubre modelos de series temporales univariantes y multivariantes, seguidos de modelos avanzados de aprendizaje automático y aprendizaje profundo. Concluye con reflexiones sobre la selección de modelos, como puntuaciones de referencia versus comprensibilidad de los modelos versus tiempo de cálculo, y reentrenamiento y actualización automatizados de modelos. Cada uno de los modelos presentados en este libro se cubre en profundidad, con una explicación simple e intuitiva del modelo, una transcripción matemática de la idea y un código Python que aplica el modelo a un conjunto de datos de ejemplo. Leer este libro agregará una ventaja competitiva a sus habilidades de pronóstico actuales. El libro también está adaptado a aquellos que han empezado recientemente a trabajar en tareas de previsión y buscan un libro exhaustivo que les permita empezar con modelos tradicionales y avanzar gradualmente hacia modelos cada vez más avanzados. Usted: Realizará pronósticos con Python Comprenderá de manera matemática e intuitiva los modelos de pronóstico tradicionales y las técnicas de aprendizaje automático de última generación. Adquirirá los conceptos básicos de pronóstico y aprendizaje automático, incluida la evaluación de modelos, la validación cruzada y las pruebas retrospectivas. Seleccionará el correcto. modelo para el caso de uso correcto. Nota de contenido: Chapter 1: Models for Forecasting -- Chapter 2: Model Evaluation for Forecasting -- Chapter 3: The AR Model -- Chapter 4: The MA model -- Chapter 5: The ARMA model -- Chapter 6: The ARIMA model -- Chapter 7: The SARIMA Model -- Chapter 8: The VAR model -- Chapter 9: The Bayesian VAR model -- Chapter 10: The Linear Regression model -- Chapter 11: The Decision Tree model -- Chapter 12: The k-Nearest Neighbors VAR model -- Chapter 13: The Random Forest Model -- Chapter 14: The XGBoost model -- Chapter 15: The Neural Network model -- Chapter 16: Recurrent Neural Networks -- Chapter 17: LSTMs -- Chapter 18: Facebook's Prophet model -- Chapter 19: Amazon's DeepAR Model -- Chapter 20: Deep State Space Models -- Chapter 21: Model selection. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200