Advanced Forecasting with Python: Mastering Modern Forecasting Techniques with Machine Learning and Cloud Tools, Second Edition
Второе издание практического руководства по прогнозированию, которое объединяет классические методы и современные подходы машинного обучения. Книга предлагает исчерпывающий обзор техник, актуальных для практиков в области прогнозирования — от традиционных моделей временных рядов до передовых глубоких моделей.
В первой части рассматриваются основы машинного обучения для прогнозирования, включая оценку моделей, управление экспериментами с помощью MLflow и стратегии бэктестинга. Автор подробно объясняет различные категории моделей, начиная с высокоуровневого обзора, затем переходя к одно- и многомерным временным рядам.
Основное внимание уделяется практической реализации: каждая модель сопровождается интуитивным объяснением, математическим обоснованием и готовым кодом на Python с примерами на реальных данных. Рассматриваются рекуррентные нейронные сети, LSTM, а также облачные платформы для развертывания прогнозных систем.
Книга завершается размышлениями о выборе моделей, балансе между точностью, интерпретируемостью и вычислительными затратами, а также автоматизации переобучения и обновления моделей. Все примеры кода доступны в репозитории GitHub в виде Jupyter Notebook с настройками окружения.
