Time Series Forecasting in Python
Эта книга представляет собой комплексное руководство по прогнозированию временных рядов с использованием Python. Она охватывает весь процесс — от фундаментальных концепций до продвинутых методов машинного и глубокого обучения. Автор начинает с объяснения базовых понятий, таких как декомпозиция временных рядов, стационарность и автокорреляция.
В первой части рассматриваются статистические модели, включая модели случайного блуждания, скользящего среднего (MA), авторегрессии (AR), ARMA и ARIMA. Подробно разбираются методы анализа остатков, критерий Акаике (AIC) и тест Льюнга-Бокса. Особое внимание уделяется работе с нестационарными и сезонными рядами, а также включению внешних переменных в модели.
Третья часть книги посвящена применению глубокого обучения для прогнозирования временных рядов. Читатель познакомится с рекуррентными нейронными сетями (LSTM), сверточными нейронными сетями (CNN) и архитектурой Seq2Seq. Рассматриваются техники оконного преобразования данных и создания базовых моделей для сравнения.
Завершающая часть охватывает автоматизацию прогнозирования с использованием библиотеки Prophet от Facebook и демонстрирует полные сквозные проекты на реальных данных. Книга содержит множество практических примеров, визуализаций и готового кода на Python.
