Google 
Аннотация: Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение
| Автор/составитель | Нильсен Эйлин |
| Год выпуска | 2021 |
| ISBN | 978-5-907365-04-9 |
| Производитель | Вильямс |
| Издательство | Вильямс |
| Дата выпуска | 2021 г. |
| Количество томов | 1 |
| Количество страниц | 544 |
| Переплет | мягкий |
| Размеры | 235x165x22 мм |
| Цвет | Белый |
| Тип бумаги | офсетная (60-220 г/м2) |
| Наличие иллюстраций | рисунки |
| Тип иллюстраций | черно-белые |
| Формат | 70x100/16 (170x240 мм) |
| Тираж | 300 |
| Стандарт | 5 |
| Вес | 700 |
| Язык | русский |
Анализ временных рядов становится все более и более актуальным разделом науки о данных в связи с широким распространением Интернета вещей, переходом здравоохранения на исключительно цифровой учет данных и ростом умных городов. Непрерывный мониторинг и сбор самых разных данных становятся повседневной действительностью и предопределяют постоянно растущую потребность в эффективных инструментах анализа временных рядов, основанных как на статистических методах, так и на методах машинного обучения.
В этом практическом руководстве описаны современные технологии анализа данных временных рядов и приведены примеры их практического использования в самых разных предметных областях. Оно призвано помочь в решении наиболее распространенных задач исследования и обработки временных рядов с помощью традиционных статистических методов и наиболее популярных моделей машинного обучения. В своей книге Эйлин Нильсен рассматривает самые распространенные и доступные инструменты анализа временных рядов, включенные в программные пакеты языков R и Python, которые могут применяться специалистами по работе с данными и разработчиками программного обеспечения для написания собственных эффективных решений.
Основные темы книги:
- Поиск и извлечение временных рядов.
- Глубокое исследование временных рядов.
- Хранение временных данных.
- Моделирование данных временных рядов.
- Генерирование и отбор признаков для временных рядов.
- Классификация и прогнозирование временных рядов с помощью методов машинного и глубокого обучения.
- Оценка ошибок прогнозирования.
- Оценка точности и производительности моделей.
