Machine Learning für Zeitreihen
Cover vergrößern

Jochen Hirschle

Machine Learning für Zeitreihen

Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python. Inkl. E-Book


Erscheint 12/2020
277 Seiten.

Bewertung abgeben

E-Book (ePUB): € 31,99
ISBN: 978-3-446-46830-6

Sie werden nun in den E-Book-Shop weitergeleitet...

Der E-Book-Shop besitzt ein eigenständiges Warenkorbsystem.

Weiter oder schließen

- 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.

Dr. Jochen Hirschle ist zertifizierter Java-Programmierer und als freiberuflicher IT-Trainer und Consultant im Bereich Data Science, Machine und Deep Learning tätig. Zuvor war er Projektleiter in der Marktforschung sowie Dozent und Forscher an den Universitäten in Köln, Innsbruck und Frankfurt/ Main.

Weitere Titel:

Machine Learning für Zeitreihen

Jochen Hirschle

Machine Learning für Zeitreihen

- Konzepte Schritt für Schritt erklärt
- Die Eigenarten von Zeitreihendaten verstehen: Zeitfenster zum Anlernen einsetzen; mit latenten, ... Mehr

Buch vorbestellen € 39,99

Sie werden nun in den E-Book-Shop weitergeleitet...

Der E-Book-Shop besitzt ein eigenständiges Warenkorbsystem.

Weiter oder schließen

12/2020

Verlagsbereiche

FachbuchFachzeitschriftenTagungen und MessenLiteraturKinderbuch

Fachportale

FORM + WerkzeugHANSER automotiveKunststoffeKunststoffe.tvKunststoffe internationalQZ Qualität und ZuverlässigkeitWB Werkstatt + Betrieb

Wissenschaftsportale

HTM Journal of Heat Treatment and MaterialsInternational Journal of Materials ResearchInternational Polymer ProcessingKerntechnikMP Materials TestingPractical MetallographyTenside Surfactants DetergentsZeitschrift KunststofftechnikZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb

Carl Hanser Verlag GmbH & Co. KG · Kolbergerstraße 22 · 81679 München
Telefon: +49 89 99830-0 · Fax: +49 89 984809 · E-Mail