- Konzepte Schritt für Schritt erklärt - Die Eigenarten von Zeitreihendaten verstehen:
Zeitfenster zum Anlernen einsetzen mit latenten saisonalen und Trend-Komponenten arbeiten -
Anleitungen zur Umsetzung in Python mit ausführlichen Code-Kommentaren - Mit TensorFlow2
Deep-Learning-Verfahren zur Prognose aufbauen anlernen und produktiv einsetzen Daten über
Vorgänge werden in der verarbeitenden Industrie der Logistik oder im Finanzsektor im
Sekundentakt aufgezeichnet: der Verlauf eines Aktienkurses die Verkaufszahlen eines Produkts
die Sensordaten einer Turbine. Solche Daten informieren nicht nur über isolierte Zustände sie
sind wie Filme die den Verlauf eines Vorgangs mit einer Serie einzelner Bilder nachzeichnen.
Intelligente Algorithmen können die Muster dieser Verläufe analysieren sie anlernen und über
das Beobachtungsfenster hinaus fortschreiben: Zustände in der Zukunft werden prognostizierbar.
Das Buch bietet eine leicht verständliche Einführung in die Konzepte und die Praxis der
Zeitreihenanalyse. Es zeigt wie bewährte und neuere Lernalgorithmen arbeiten und wie sie sich
mit Python anlernen und produktiv einsetzen lassen. An einer Vielzahl von Anwendungsbeispielen
werden die Vorbereitung der Daten der Anlern- und Schätzprozess Schritt für Schritt erklärt.
Aus dem Inhalt: - Zeitreihendaten mit pandas aufbereiten fehlende Daten imputieren mit
Datumsangaben arbeiten - Grundprinzipien maschinellen Lernens: Konzepte und Umsetzung mit
Python und Scikit-Learn - Feature-Preprocessing: Standardisierung Dimensionsreduktion
Verarbeitung kategorialer Daten - ARIMA-Modelle zur Analyse univariater Zeitreihen:
Vorbereitung Anlernen und Prognose mit Python und Statsmodels - Komplexe Zeitreihen mit
Deep-Learning-Verfahren analysieren: Rekurrente und konvolutionale Netze verstehen und mit
Python und TensorFlow 2 aufbauen und anlernen - Mit Zeifenstern arbeiten Vorkenntnisse in
Machine-Learning-Verfahren sind nicht notwendig. Grundlegende Statistik- und Python-Kenntnisse
sollten vorhanden sein. Der komplette Code im Buch sowie die Beispieldateien sind über ein
GitHub-Repository verfügbar. EXTRA: E-Book inside. Systemvoraussetzungen für E-Book inside:
Internet-Verbindung und Adobe-Reader oder Ebook-Reader bzw. Adobe Digital Editions.
