CHAPITRE 1 Aperçu et historique des séries temporelles

1.1 Historique des séries temporelles dans divers domaines d'application
1.2 Un bond en avant dans l'analyse des séries temporelles
1.3 Origines de l'analyse statistique des séries chronologiques
1.4 Les origines de l'analyse des séries temporelles en apprentissage automatique
1.5 Matériel supplémentaire

CHAPITRE 2 Découverte et traitement des données de séries temporelles

2.1 Où trouver des données de séries chronologiques
2.2 Amélioration des ensembles de données de séries temporelles dans les ensembles de tables
2.3 Problèmes liés aux horodatages
2.4 Nettoyage des données
2.5 Données saisonnières
2.6 Fuseau horaire
2.7 Prévention de la pré-observation
2.8 Matériel supplémentaire

CHAPITRE 3 Analyse exploratoire des données de séries temporelles

3.1 Méthode familière
3.2 Méthodes d'exploration spécialisées pour les séries temporelles
3.3 Visualisations utiles
3.4 Matériel supplémentaire

CHAPITRE 4 SIMULATION DE DONNÉES DE SÉRIES TEMPORELLES

4.1 Caractéristiques particulières de la simulation de séries temporelles
4.2 Simulation par le biais du code
4.3 Conseils finaux sur la simulation
4.4 Matériel supplémentaire

CHAPITRE 5 Stockage des données temporelles

5.1 Définition des exigences
5.2 Solutions de bases de données
5.3 Solutions de fichiers
5.4 Matériel supplémentaire

CHAPITRE 6 Modèles statistiques pour les séries temporelles

6.1 Pourquoi ne pas utiliser la régression linéaire ?
6.2 Modèles statistiques développés pour les séries temporelles
6.3 Avantages et inconvénients des modèles statistiques de séries temporelles
6.4 Matériel supplémentaire

CHAPITRE 7 Modèles d'espace d'état des séries temporelles

7.1 Avantages et inconvénients des modèles d'espace d'état
7.2 Filtre de Kalman
7.3 Modèles de Markov cachés
7.4 Séries temporelles structurées bayésiennes
7.5 Matériel supplémentaire

CHAPITRE 8 Génération et sélection des caractéristiques des séries temporelles

8.1 Exemples pour débutants
8.2 Considérations relatives au calcul des caractéristiques
8.3 Liste des lieux qui ont inspiré la découverte des caractéristiques
8.4 Comment sélectionner seulement certaines des fonctionnalités générées
8.5 En conclusion
8.6 Matériel supplémentaire

CHAPITRE 9 Apprentissage automatique pour les séries temporelles

9.1 Classification des séries chronologiques
9.2 Clustering
9.3 Matériel supplémentaire

CHAPITRE 10 APPRENTISSAGE PROFOND POUR LES SÉRIES TEMPORELLES

10.1 Concepts d'apprentissage profond
10.2 Programmation des réseaux neuronaux
10.3 Création d'un parcours d'apprentissage
10.4 Réseau de propagation directe
10.5 Réseaux neuronaux convolutifs
10.6 Réseaux neuronaux récurrents
10.7 Structures composites
10.8 En conclusion
10.9 Matériel supplémentaire

CHAPITRE 11 Mesure d'erreur

11.1 Méthodes de base pour tester les prédictions
11.2 Un bon moment pour prédire
11.3 Estimation de l'incertitude du modèle par simulation
11.4 Prévoir plusieurs étapes à l'avance
11.5 Précautions lors de la vérification des modèles
11.6 Matériel supplémentaire

CHAPITRE 12 Considérations relatives aux performances pour l'entraînement et le déploiement des modèles de séries temporelles

12.1 Utilisation d'outils conçus pour les cas courants
12.2 Avantages et inconvénients des formats de stockage de données
12.3 Modification de l'analyse pour tenir compte des considérations de performance
12.4 Matériel supplémentaire

CHAPITRE 13 Applications dans le domaine de la santé

Prévisions de la grippe 13.1
13.2 Prédiction du taux de glycémie
13.3 Matériel supplémentaire

CHAPITRE 14 Applications financières

14.1 Acquisition et exploration des données financières
14.2 Prétraitement des données financières pour l'apprentissage profond
14.3 Construction et entraînement des RNN
14.4 Matériel supplémentaire

CHAPITRE 15 SÉRIES CHRONOLOGIQUES POUR LE GOUVERNEMENT

15.1 Obtention de données gouvernementales
15.2 Exploration des données de séries temporelles à grande échelle
15.3 Analyse statistique en temps réel des données de séries chronologiques
15.4 Matériel supplémentaire

CHAPITRE 16 Module de séries temporelles

16.1 Prévisions à grande échelle
Détection 16.2 et supérieure
16.3 Autres packages de séries temporelles
16.4 Matériel supplémentaire

CHAPITRE 17 : L'avenir des prévisions de séries chronologiques

17.1 Prévision du type de service
17.2 Amélioration des probabilités probabilistes grâce à l'apprentissage profond
17.3 Les méthodes d’apprentissage automatique deviennent plus importantes que les méthodes statistiques.
17.4 L’essor des méthodes combinant apprentissage automatique et statistiques.
17.5 Les prédictions imprègnent davantage la vie quotidienne

Guide pratique d'analyse des données de séries temporelles de A à Z, couvrant l'entrepôt de données numéro 1 d'Amazon.

L'analyse des séries temporelles est utilisée pour prévoir et anticiper l'avenir dans des domaines étroitement liés à notre vie quotidienne, tels que l'Administration météorologique coréenne, les institutions financières et les agences gouvernementales.
Les données de séries temporelles prennent une importance croissante en raison de la production massive de données générée par l'Internet des objets, la transformation numérique du secteur de la santé et l'essor des villes intelligentes, et leur impact s'étendra à tous les secteurs d'activité.

Ce livre offre un aperçu complet et pratique de l'ensemble du pipeline de données et de modélisation des séries temporelles — acquisition, nettoyage, simulation, stockage et modélisation — pour une analyse et une prévision précises des séries temporelles, avec du code R et Python fourni.
La première partie présente les concepts fondamentaux pour comprendre l'ensemble du processus de prévision des séries temporelles.
Il couvre l'exploration, la collecte et l'organisation des données de séries temporelles, ainsi que les modèles ARIMA et SARIMA.
Dans la seconde partie, vous apprendrez à appliquer des techniques de séries temporelles à des études de cas dans les domaines de la santé, de la finance et des données gouvernementales à l'aide de MXNet et de TensorFlow, et vous découvrirez également divers exemples tirés de la vaste expérience de l'auteur.


Enfin, nous avons inclus des liens vers des tutoriels sur les sujets et les techniques essentielles abordés dans chaque chapitre.
Ce livre vous préparera à analyser et à prévoir des données de séries temporelles dans le monde réel.
Nous espérons que ce guide pratique vous aidera à améliorer la précision de vos prévisions de séries chronologiques.

Contenu principal

Exploration et organisation des données de séries temporelles
Réaliser une analyse exploratoire des données de séries temporelles
stockage des données temporelles
simulation de données de séries temporelles
Création et sélection de fonctionnalités de séries temporelles
Erreur de mesure
Prévision et classification de séries temporelles à l'aide de l'apprentissage automatique et de l'apprentissage profond
Évaluation de la précision et des performances

Exemple de code

github.com/deep-diver/practical-time-series-analysis-korean