Zdjęcie 1 z 1

Masz taki przedmiot na sprzedaż?

Sprzedaj sam

Uczenie maszynowe do prognozowania serii czasowych z Pythonem autorstwa Francesca Lazzeri (E–

grandeagleretail

(924478)

US $48,08

Około188,77 zł

Stan:

Nowy

Ilość:

Dostępne: 3

Odetchnij spokojnie. Zwroty są przyjmowane.

Wysyłka:

Bezpłatnie Economy Shipping. Zobacz szczegółydla wysyłki

Znajduje się w: Fairfield, Ohio, Stany Zjednoczone

Dostawa:

Szacowana między Śr, 21 sie a So, 31 sie do 84606

Zwroty:

Zwrot w ciągu 30 dni. Za wysyłkę zwrotną płaci kupujący. Zobacz szczegóły- aby uzyskać więcej informacji dotyczących zwrotów

Płatności:

Kupuj bez obaw

Najlepszy Sprzedawca

Zaufany sprzedawca, szybka wysyłka i łatwe zwroty. Dowiedz się więcej- Top Rated Plus – otwiera się w nowym oknie lub nowej karcie

Gwarancja zwrotu pieniędzy eBay

Otrzymasz przedmiot, jaki zamawiasz, albo zwrot pieniędzy. Dowiedz się więcejGwarancja zwrotu pieniędzy eBay – otwiera się w nowym oknie lub nowej karcie

Zgłoś ten przedmiot - otwiera się w nowym oknie lub nowej karcie

Sprzedawca ponosi pełną odpowiedzialność za wystawienie tej oferty sprzedaży.

Nr przedmiotu eBay: 395492483322

Parametry przedmiotu

Stan: Nowy: Nowa, nieczytana, nieużywana książka w idealnym stanie, wszystkie strony, bez uszkodzeń. Aby ...

ISBN-13: 9781119682363

Book Title: Machine Learning for Time Series Forecasting with Python

ISBN: 9781119682363

Subject Area: Mathematics, Computers, Science

Publication Name: Machine Learning for Time Series Forecasting with Python

Publisher: Wiley & Sons, Incorporated, John

Item Length: 9.1 in

Subject: General, Probability & Statistics / Time Series, Databases / Data Mining

Publication Year: 2020

Type: Textbook

Format: Trade Paperback

Language: English

Item Height: 0.5 in

Author: Francesca Lazzeri

Item Weight: 13.3 Oz

Item Width: 7.4 in

Number of Pages: 224 Pages

O tym produkcie

Product Identifiers

Publisher

Wiley & Sons, Incorporated, John

ISBN-10

1119682363

ISBN-13

9781119682363

eBay Product ID (ePID)

24050077644

Product Key Features

Number of Pages

224 Pages

Language

English

Publication Name

Machine Learning for Time Series Forecasting with Python

Subject

General, Probability & Statistics / Time Series, Databases / Data Mining

Publication Year

2020

Type

Textbook

Author

Francesca Lazzeri

Subject Area

Mathematics, Computers, Science

Format

Trade Paperback

Dimensions

Item Height

0.5 in

Item Weight

13.3 Oz

Item Length

9.1 in

Item Width

7.4 in

Additional Product Features

Intended Audience

Scholarly & Professional

Dewey Edition

Dewey Decimal

006.31

Table Of Content

Acknowledgments vii Introduction xv Chapter 1 Overview of Time Series Forecasting 1 Flavors of Machine Learning for Time Series Forecasting 3 Supervised Learning for Time Series Forecasting 14 Python for Time Series Forecasting 21 Experimental Setup for Time Series Forecasting 24 Conclusion 26 Chapter 2 How to Design an End-to-End Time Series Forecasting Solution on the Cloud 29 Time Series Forecasting Template 31 Business Understanding and Performance Metrics 33 Data Ingestion 36 Data Exploration and Understanding 39 Data Pre-processing and Feature Engineering 40 Modeling Building and Selection 42 An Overview of Demand Forecasting Modeling Techniques 44 Model Evaluation 46 Model Deployment 48 Forecasting Solution Acceptance 53 Use Case: Demand Forecasting 54 Conclusion 58 Chapter 3 Time Series Data Preparation 61 Python for Time Series Data 62 Common Data Preparation Operations for Time Series 65 Time stamps vs. Periods 66 Converting to Timestamps 69 Providing a Format Argument 70 Indexing 71 Time/Date Components 76 Frequency Conversion 78 Time Series Exploration and Understanding 79 How to Get Started with Time Series Data Analysis 79 Data Cleaning of Missing Values in the Time Series 84 Time Series Data Normalization and Standardization 86 Time Series Feature Engineering 89 Date Time Features 90 Lag Features and Window Features 92 Rolling Window Statistics 95 Expanding Window Statistics 97 Conclusion 98 Chapter 4 Introduction to Autoregressive and Automated Methods for Time Series Forecasting 101 Autoregression 102 Moving Average 119 Autoregressive Moving Average 120 Autoregressive Integrated Moving Average 122 Automated Machine Learning 129 Conclusion 136 Chapter 5 Introduction to Neural Networks for Time Series Forecasting 137 Reasons to Add Deep Learning to Your Time Series Toolkit 138 Deep Learning Neural Networks Are Capable of Automatically Learning and Extracting Features from Raw and Imperfect Data 140 Deep Learning Supports Multiple Inputs and Outputs 142 Recurrent Neural Networks Are Good at Extracting Patterns from Input Data 143 Recurrent Neural Networks for Time Series Forecasting 144 Recurrent Neural Networks 145 Long Short-Term Memory 147 Gated Recurrent Unit 148 How to Prepare Time Series Data for LSTMs and GRUs 150 How to Develop GRUs and LSTMs for Time Series Forecasting 154 Keras 155 TensorFlow 156 Univariate Models 156 Multivariate Models 160 Conclusion 164 Chapter 6 Model Deployment for Time Series Forecasting 167 Experimental Set Up and Introduction to Azure Machine Learning SDK for Python 168 Workspace 169 Experiment 169 Run 169 Model 170 Compute Target, RunConfiguration, and ScriptRun Config 171 Image and Webservice 172 Machine Learning Model Deployment 173 How to Select the Right Tools to Succeed with Model Deployment 175 Solution Architecture for Time Series Forecasting with Deployment Examples 177 Train and Deploy an ARIMA Model 179 Configure the Workspace 182 Create an Experiment 183 Create or Attach a Compute Cluster 184 Upload the Data to Azure 184 Create an Estimator 188 Submit the Job to the Remote Cluster 188 Register the Model 189 Deployment 189 Define Your Entry Script and Dependencies 190 Automatic Schema Generation 191 Conclusion 196 References 197 Index 199

Synopsis

Learn how to apply the principles of machine learning to time series modeling with this indispensable resource Machine Learning for Time Series Forecasting with Python is an incisive and straightforward examination of one of the most crucial elements of decision-making in finance, marketing, education, and healthcare: time series modeling. Despite the centrality of time series forecasting, few business analysts are familiar with the power or utility of applying machine learning to time series modeling. Author Francesca Lazzeri, a distinguished machine learning scientist and economist, corrects that deficiency by providing readers with comprehensive and approachable explanation and treatment of the application of machine learning to time series forecasting. Written for readers who have little to no experience in time series forecasting or machine learning, the book comprehensively covers all the topics necessary to: Understand time series forecasting concepts, such as stationarity, horizon, trend, and seasonality Prepare time series data for modeling Evaluate time series forecasting models' performance and accuracy Understand when to use neural networks instead of traditional time series models in time series forecasting Machine Learning for Time Series Forecasting with Python is full real-world examples, resources and concrete strategies to help readers explore and transform data and develop usable, practical time series forecasts. Perfect for entry-level data scientists, business analysts, developers, and researchers, this book is an invaluable and indispensable guide to the fundamental and advanced concepts of machine learning applied to time series modeling., One of the most important elements of today's decision-making world, in both the public and the private sectors, is the forecasting of macroeconomic and financial variables. This applies to many industries including finance, education, and health care to name just a few. However, not many business analysts or developers people know how to use machine learning approach and technologies to build successful forecast applications. This book provides a practical introductory guide to time series forecasting with machine learning and Python for those hands-on readers. Readers new to time series forecasting will be able to understand and deal better with: Time series forecasting concepts, such as horizon, frequency trend and seasonality. Evaluation of the time series forecasting models performance and accuracy. Understanding when to use neural networks instead of traditional time series models in time series forecasting. The book shows readers practical instances of how these time series forecasting models can be applied to a real-world scenario by providing examples and using many machine learning components available in open-source Python packages, such as Scikit-learn, Keras and Tensorflow. The reader will also use other Python tools such as Jupyter notebooks to interactively explore data, transform it, and then develop time series forecasting models.

LC Classification Number

Q325.5

Opis przedmiotu podany przez sprzedawcę

Informacje o firmie

Premier Books LLC

David Taylor

26C Trolley Sq

19806-3356 Wilmington, DE

United States

Pokaż informacje kontaktowe

:liam-Emoc.liaterelgaednarg@yabe

Oświadczam, że wszystkie moje działania związane ze sprzedażą będą zgodne z wszystkimi przepisami i regulacjami UE.

Sprzedawca ponosi pełną odpowiedzialność za wystawienie tej oferty sprzedaży.

Nr przedmiotu eBay: 395492483322

Wysyłka i obsługa

Lokalizacja przedmiotu:

Fairfield, Ohio, Stany Zjednoczone

Wysyłka do:

Afganistan, Albania, Algieria, Andora, Angola, Anguilla, Antigua i Barbuda, Antyle Holenderskie, Arabia Saudyjska, Argentyna, Armenia, Aruba, Australia, Austria, Azerbejdżan, Bahamy, Bahrajn, Bangladesz, Belgia, Belize, Benin, Bermudy, Bhutan, Boliwia, Botswana, Bośnia i Hercegowina, Brazylia, Brunei, Brytyjskie Wyspy Dziewicze, Burkina Faso, Burundi, Bułgaria, Cały świat, Chile, Chiny, Chorwacja, Cypr, Czad, Czarnogóra, Czechy, Dania, Demokratyczna Republika Konga, Dominika, Dominikana, Dżibuti, Egipt, Ekwador, Erytrea, Estonia, Eswatini, Etiopia, Falklandy (Malwiny), Fidżi, Filipiny, Finlandia, Francja, Gabon, Gambia, Ghana, Gibraltar, Grecja, Grenada, Grenlandia, Gruzja, Guam, Guernsey, Gujana, Gwatemala, Gwinea, Gwinea Bissau, Gwinea Równikowa, Haiti, Hiszpania, Holandia, Honduras, Hongkong, Indie, Indonezja, Irak, Irlandia, Islandia, Izrael, Jamajka, Japonia, Jemen, Jersey, Jordania, Kajmany, Kambodża, Kamerun, Kanada, Katar, Kazachstan, Kenia, Kirgistan, Kiribati, Kolumbia, Komory, Kongo, Korea Południowa, Kostaryka, Kuwejt, Laos, Lesotho, Liban, Liberia, Liechtenstein, Litwa, Luksemburg, Macedonia Północna, Madagaskar, Majotta, Makau, Malawi, Malediwy, Malezja, Mali, Malta, Maroko, Mauretania, Mauritius, Meksyk, Mikronezja, Monako, Mongolia, Montserrat, Mozambik, Mołdawia, Namibia, Nauru, Nepal, Niemcy, Niger, Nigeria, Nikaragua, Niue, Norwegia, Nowa Zelandia, Oman, Pakistan, Palau, Panama, Papua-Nowa Gwinea, Paragwaj, Peru, Polska, Portoryko, Portugalia, Południowa Afryka, Republika Zielonego Przylądka, Republika Środkowoafrykańska, Rumunia, Rwanda, Sahara Zachodnia, Saint Kitts i Nevis, Saint Lucia, Saint Pierre i Miquelon, Saint Vincent i Grenadyny, Salwador, Samoa Amerykańskie, Samoa Zachodnie, San Marino, Senegal, Serbia, Seszele, Sierra Leone, Singapur, Somalia, Sri Lanka, Surinam, Svalbard i Jan Mayen, Szwajcaria, Szwecja, Słowacja, Słowenia, Tadżykistan, Tajlandia, Tajwan, Tanzania, Togo, Tonga, Trynidad i Tobago, Tunezja, Turcja, Turkmenistan, Turks i Caicos, Tuvalu, Uganda, Urugwaj, Uzbekistan, Vanuatu, Wallis i Futuna, Watykan, Wielka Brytania, Wietnam, Wybrzeże Kości Słoniowej, Wyspy Cooka, Wyspy Dziewicze (USA), Wyspy Marshalla, Wyspy Salomona, Węgry, Włochy, Zambia, Zimbabwe, Zjednoczone Emiraty Arabskie, Łotwa, Święta Helena

Wykluczenia:

APO/FPO, Alaska/Hawaje, Barbados, Gujana Francuska, Gwadelupa, Libia, Martynika, Nowa Kaledonia, Polinezja Francuska, Reunion, Rosja, Ukraina, Wenezuela

Ilość:

Zmień kraj:

Kod pocztowy:

Wysyłka i obsługa	Każdy dodatkowy przedmiot	Do	Usługa	Dostawa*Zobacz uwagi o dostawie
Bezpłatna wysyłka	Bezpłatnie	Stany Zjednoczone	Economy Shipping	Szacowana między Śr, 21 sie a So, 31 sie do 84606

Uwagi – Dostawa *Szacowane czasy dostaw uwzględniają podany przez sprzedawcę czas na wysłanie przesyłki, kod pocztowy nadawcy, kod pocztowy odbiorcy i czas przyjęcia zamówienia. Czasy te zależą od wybranego rodzaju usługi wysyłkowej oraz czasu rozliczenia płatności. Czasy dostawy mogą się różnić, szczególnie w okresach największego ruchu.

Czas na wysłanie

Zwykle wysyłam przesyłkę w ciągu 10 dni roboczych po otrzymaniu rozliczonej płatności.

Podatki

Podczas realizacji transakcji mogą zostać naliczone podatki. Dowiedz się więcejDowiedz się więcej o płaceniu podatku za zakupy na eBay.