Analyse des données de séries temporelles Prophet
 |
Description
Introduction au livre
Nous ne pouvons pas prédire l'avenir, mais nous pouvons mettre en œuvre des modèles prédictifs.
Prophet est un outil open source puissant qui permet aux développeurs Python et R de créer des prévisions de séries temporelles évolutives.
Prophet est conçu pour produire des résultats de haute qualité sans réglage ni optimisation des paramètres.
Et avec un minimum d'apprentissage, n'importe qui peut ajuster intuitivement le modèle pour améliorer considérablement ses résultats d'analyse.
Ce livre décrit étape par étape le fonctionnement interne de Prophet, des modèles prédictifs à la mise en œuvre des techniques prédictives de pointe de Prophet.
Nous fournissons des exemples de modèles entièrement fonctionnels basés sur des données brutes issues de divers sujets, vous donnant ainsi les connaissances nécessaires pour modéliser des données futures avec une plus grande précision et avec moins de code.
Si vous suivez attentivement ces étapes, vous pourrez utiliser Prophet ainsi que les ingénieurs hautement qualifiés de Meta.
Prophet, un outil de prévision de séries temporelles open source de Meta (Facebook) qui capture un contexte riche avec des codes courts sans nécessiter de connaissances spécialisées.
Prophet est un outil open source puissant qui permet aux développeurs Python et R de créer des prévisions de séries temporelles évolutives.
Prophet est conçu pour produire des résultats de haute qualité sans réglage ni optimisation des paramètres.
Et avec un minimum d'apprentissage, n'importe qui peut ajuster intuitivement le modèle pour améliorer considérablement ses résultats d'analyse.
Ce livre décrit étape par étape le fonctionnement interne de Prophet, des modèles prédictifs à la mise en œuvre des techniques prédictives de pointe de Prophet.
Nous fournissons des exemples de modèles entièrement fonctionnels basés sur des données brutes issues de divers sujets, vous donnant ainsi les connaissances nécessaires pour modéliser des données futures avec une plus grande précision et avec moins de code.
Si vous suivez attentivement ces étapes, vous pourrez utiliser Prophet ainsi que les ingénieurs hautement qualifiés de Meta.
Prophet, un outil de prévision de séries temporelles open source de Meta (Facebook) qui capture un contexte riche avec des codes courts sans nécessiter de connaissances spécialisées.
indice
PARTIE 01 Premiers pas avec Prophet
__01.
Histoire de la prévision des séries chronologiques
____01-1 Aperçu des prévisions de séries chronologiques
__1.1.1 Problème des données dépendantes
____01-2 Moyenne mobile et lissage exponentiel
____01-3 Moyenne mobile cumulative autorégressive (ARIMA)
____01-4 ARCH/GARCH
____01-5 Réseau neuronal
____01-6 Prophète
____01-7 Développements récents
__1.7.1 NeuralProphet
__1.7.2 « Prévision robuste des séries temporelles à grande échelle » de Google
__1.7.3 SilverKite/GreyKite de LinkedIn
__1.7.4 L'orbite d'Uber
__02.
Prophète Début
____02-1 Télécharger le fichier notebook Colab
____02-2 Construction d'un modèle de prophète simple
____02-3 Interprétation du cadre de données de prédiction
____02-4 Comprendre le diagramme des composants
__03.
Comment fonctionne Prophet
____03-1 Pourquoi Facebook a créé Prophet
____03-2 Prévisions avec l'analyste intégré
____03-3 Formule du Prophète
3.4.1 Croissance linéaire
3.4.2 Croissance logistique
3.4.3 Saisonnalité
3.4.4 Jours fériés
PARTIE 02 Saisonnalité, réglage et fonctionnalités avancées
__04.
Traitement des données non quotidien
____04-1 Consommation mensuelle de données
____04-2 Utilisation de données avec un cycle inférieur à un jour
____04-3 Utilisation de données avec des intervalles de données manquantes réguliers
__05.
Gestion de la saisonnalité
____05-1 Saisonnalité additive vs. multiplicative
____05-2 Contrôle de la saisonnalité par ordre de Fourier
____05-3 Ajout d'une saisonnalité personnalisée
____05-4 Ajout d'une saisonnalité conditionnelle
____05-5 Règlement saisonnier
5.5.1 Régulation saisonnière globale
5.5.2 Réglementation saisonnière locale
__06.
Prévoir l'effet des jours fériés
____06-1 Ajout des jours fériés nationaux de base
____06-2 Jours fériés supplémentaires des administrations locales (État/province)
____06-3 Créer un jour férié personnalisé
____06-4 Créer des vacances
____06-5 Règlement sur les jours fériés
6.5.1 Réglementation relative aux jours fériés internationaux
6.5.2 Règlement relatif aux vacances individuelles
__07.
Adaptation du mode de croissance
____07-1 Application de croissance linéaire
____07-2 Fonction logistique
____07-3 Application de la croissance logistique pour prédire la saturation
7.3.1 Accroître la croissance logistique
7.3.2 Plafond supérieur fluctuant
7.3.3 Diminution de la croissance logistique
____07-4 Application de croissance plate
____07-5 Créer une tendance personnalisée
__08.
Ajustement des points de changement de tendance
____08-1 Détection automatique des points de changement de tendance
8.1.1 Détection des changements par défaut
____08-2 Modifications du règlement
____08-3 Définir l'emplacement du point de changement personnalisé
__09.
Ajouter des variables explicatives
____09-1 Ajouter une variable de valeur binaire
____09-2 Ajouter des variables continues
Interprétation des coefficients ____09-3
__10.
Valeurs aberrantes et événements spéciaux
____10-1 Correction des valeurs aberrantes à l'origine des variations saisonnières
____10-2 Correction des valeurs aberrantes à l'origine d'intervalles d'incertitude larges
____10-3 Détection automatique des valeurs aberrantes
__10.3.1 Windsor
__10.3.2 Écart type
10.3.3 Moyenne mobile
10.3.4 Écart type de l'erreur
Modélisation des valeurs aberrantes ____10-4 comme événements spéciaux
____10-5 Modélisation de l'impact des confinements liés à la COVID-19
__11.
Gestion des intervalles d'incertitude
____11-1 Modélisation de l'incertitude des tendances
____11-2 Modélisation de l'incertitude saisonnière
PARTIE 03 DIAGNOSTIC ET ÉVALUATION
__12.
Effectuer une validation croisée
____12-1 validation croisée k-fold
____12-2 Validation croisée en chaîne avant
____12-3 Création d'un DataFrame de validation croisée Prophet
____12-4 Validation croisée parallèle
__13.
Évaluation des indicateurs de performance
____13-1 Comprendre l'indicateur du prophète
__13.1.1 MSE
__13.1.2 RMSE
__13.1.3 MAE
__13.1.4 MAPE
__13.1.5 MdAPE
__13.1.6 SMAPE
__13.1.7 Couverture
13.1.8 Sélection de l'indicateur optimal
____13-2 Création d'un dataframe de métriques de performance Prophet
____13-3 Traitement de coupure irrégulier
____13-4 Optimisation des hyperparamètres par recherche sur grille
__14.
Commercialisation du prophète
____14-1 Sauvegarder le modèle
____14-2 Mise à jour du modèle d'ajustement
__01.
Histoire de la prévision des séries chronologiques
____01-1 Aperçu des prévisions de séries chronologiques
__1.1.1 Problème des données dépendantes
____01-2 Moyenne mobile et lissage exponentiel
____01-3 Moyenne mobile cumulative autorégressive (ARIMA)
____01-4 ARCH/GARCH
____01-5 Réseau neuronal
____01-6 Prophète
____01-7 Développements récents
__1.7.1 NeuralProphet
__1.7.2 « Prévision robuste des séries temporelles à grande échelle » de Google
__1.7.3 SilverKite/GreyKite de LinkedIn
__1.7.4 L'orbite d'Uber
__02.
Prophète Début
____02-1 Télécharger le fichier notebook Colab
____02-2 Construction d'un modèle de prophète simple
____02-3 Interprétation du cadre de données de prédiction
____02-4 Comprendre le diagramme des composants
__03.
Comment fonctionne Prophet
____03-1 Pourquoi Facebook a créé Prophet
____03-2 Prévisions avec l'analyste intégré
____03-3 Formule du Prophète
3.4.1 Croissance linéaire
3.4.2 Croissance logistique
3.4.3 Saisonnalité
3.4.4 Jours fériés
PARTIE 02 Saisonnalité, réglage et fonctionnalités avancées
__04.
Traitement des données non quotidien
____04-1 Consommation mensuelle de données
____04-2 Utilisation de données avec un cycle inférieur à un jour
____04-3 Utilisation de données avec des intervalles de données manquantes réguliers
__05.
Gestion de la saisonnalité
____05-1 Saisonnalité additive vs. multiplicative
____05-2 Contrôle de la saisonnalité par ordre de Fourier
____05-3 Ajout d'une saisonnalité personnalisée
____05-4 Ajout d'une saisonnalité conditionnelle
____05-5 Règlement saisonnier
5.5.1 Régulation saisonnière globale
5.5.2 Réglementation saisonnière locale
__06.
Prévoir l'effet des jours fériés
____06-1 Ajout des jours fériés nationaux de base
____06-2 Jours fériés supplémentaires des administrations locales (État/province)
____06-3 Créer un jour férié personnalisé
____06-4 Créer des vacances
____06-5 Règlement sur les jours fériés
6.5.1 Réglementation relative aux jours fériés internationaux
6.5.2 Règlement relatif aux vacances individuelles
__07.
Adaptation du mode de croissance
____07-1 Application de croissance linéaire
____07-2 Fonction logistique
____07-3 Application de la croissance logistique pour prédire la saturation
7.3.1 Accroître la croissance logistique
7.3.2 Plafond supérieur fluctuant
7.3.3 Diminution de la croissance logistique
____07-4 Application de croissance plate
____07-5 Créer une tendance personnalisée
__08.
Ajustement des points de changement de tendance
____08-1 Détection automatique des points de changement de tendance
8.1.1 Détection des changements par défaut
____08-2 Modifications du règlement
____08-3 Définir l'emplacement du point de changement personnalisé
__09.
Ajouter des variables explicatives
____09-1 Ajouter une variable de valeur binaire
____09-2 Ajouter des variables continues
Interprétation des coefficients ____09-3
__10.
Valeurs aberrantes et événements spéciaux
____10-1 Correction des valeurs aberrantes à l'origine des variations saisonnières
____10-2 Correction des valeurs aberrantes à l'origine d'intervalles d'incertitude larges
____10-3 Détection automatique des valeurs aberrantes
__10.3.1 Windsor
__10.3.2 Écart type
10.3.3 Moyenne mobile
10.3.4 Écart type de l'erreur
Modélisation des valeurs aberrantes ____10-4 comme événements spéciaux
____10-5 Modélisation de l'impact des confinements liés à la COVID-19
__11.
Gestion des intervalles d'incertitude
____11-1 Modélisation de l'incertitude des tendances
____11-2 Modélisation de l'incertitude saisonnière
PARTIE 03 DIAGNOSTIC ET ÉVALUATION
__12.
Effectuer une validation croisée
____12-1 validation croisée k-fold
____12-2 Validation croisée en chaîne avant
____12-3 Création d'un DataFrame de validation croisée Prophet
____12-4 Validation croisée parallèle
__13.
Évaluation des indicateurs de performance
____13-1 Comprendre l'indicateur du prophète
__13.1.1 MSE
__13.1.2 RMSE
__13.1.3 MAE
__13.1.4 MAPE
__13.1.5 MdAPE
__13.1.6 SMAPE
__13.1.7 Couverture
13.1.8 Sélection de l'indicateur optimal
____13-2 Création d'un dataframe de métriques de performance Prophet
____13-3 Traitement de coupure irrégulier
____13-4 Optimisation des hyperparamètres par recherche sur grille
__14.
Commercialisation du prophète
____14-1 Sauvegarder le modèle
____14-2 Mise à jour du modèle d'ajustement
Avis de l'éditeur
Ce livre vous guidera tout au long de l'installation et de la configuration de Prophet sur votre ordinateur, ainsi que dans la création de votre modèle initial avec seulement quelques lignes de code.
Ensuite, nous explorerons des fonctionnalités plus avancées, telles que la visualisation des résultats de prévision, l'ajout de jours fériés, la saisonnalité, les points d'inflexion de tendance et la gestion des valeurs aberrantes.
Vous apprendrez également pourquoi et comment modifier chaque paramètre de base.
Vous apprendrez également à comprendre les séries de Fourier, leur modélisation de la saisonnalité et leur application.
Vous apprendrez également à optimiser des modèles plus complexes en ajustant les hyperparamètres et en incluant des régresseurs supplémentaires dans votre modèle.
Vous effectuerez des diagnostics pour évaluer les performances du modèle et découvrirez des fonctionnalités utiles pour déployer Prophet dans des environnements de production réels.
Cela vous permettra de développer des modèles de prévision sophistiqués et précis à l'aide d'un code concis, compréhensible et reproductible, en exploitant des ensembles de données de séries temporelles brutes.
★Principaux thèmes abordés dans ce livre★
Chapitre 1 : L’évolution de la prévision des séries temporelles : des premières tentatives de compréhension des données de séries temporelles aux principaux développements algorithmiques actuels
Chapitre 2 : Premiers pas avec Prophet : Fonctionnement de base et création de votre premier modèle
Chapitre 3 : Fonctionnement de Prophet : Pourquoi Meta a développé Prophet et la formule de l’algorithme prédictif avec analyste intégré
Chapitre 4 : Traitement des données non quotidiennes : Comment traiter et utiliser diverses données périodiques autres que les données quotidiennes
Chapitre 5 : Gestion de la saisonnalité : Concept et contrôle de la saisonnalité, un élément clé du modèle Prophet
Chapitre 6 : Prévoir l’effet des jours fériés : définition des jours fériés par défaut, régionaux et personnalisés et prise en compte de l’effet des jours fériés
Chapitre 7 : Ajustement des modes de croissance : modèles linéaire, logistique et plat et leurs applications
Chapitre 8 : Maîtriser les changements de tendance : Ajuster la rigidité et la flexibilité de la ligne de tendance pour construire des modèles optimaux pour différentes situations
Chapitre 9 Ajout de variables explicatives : Comment ajouter des données d’entrée multivariées à l’aide de variables explicatives
Chapitre 10 Valeurs aberrantes et événements spéciaux : Problèmes liés aux valeurs aberrantes, détection automatique et techniques de traitement basées sur Prophet
Chapitre 11 Gestion des intervalles d'incertitude : quantification de l'incertitude du modèle et techniques de visualisation
Chapitre 12 : Mise en œuvre de la validation croisée : Méthodes de validation croisée et Prophet pour les caractéristiques des données de séries temporelles
Chapitre 13 : Évaluation des indicateurs de performance : optimisation des modèles et amélioration de la précision grâce aux indicateurs de performance et à la validation croisée
Chapitre 14 : Commercialisation de Prophet : Méthodes de sauvegarde et de mise à jour des modèles et techniques de partage de tableaux de bord avec Plotly
★Public cible de ce livre★
* Les gestionnaires d'entreprise et les analystes de données qui souhaitent apprendre la prévision de séries temporelles à l'aide de Python ou de R.
* Les data scientists et les analystes qui souhaitent comprendre les caractéristiques des données de séries temporelles et leurs différences avec d'autres types de données.
* Ingénieurs en apprentissage automatique souhaitant appliquer l'apprentissage automatique et la modélisation prédictive à des projets concrets.
* Les ingénieurs logiciels qui souhaitent utiliser des techniques prédictives lors du traitement de données de séries temporelles dans le processus de développement logiciel.
Ensuite, nous explorerons des fonctionnalités plus avancées, telles que la visualisation des résultats de prévision, l'ajout de jours fériés, la saisonnalité, les points d'inflexion de tendance et la gestion des valeurs aberrantes.
Vous apprendrez également pourquoi et comment modifier chaque paramètre de base.
Vous apprendrez également à comprendre les séries de Fourier, leur modélisation de la saisonnalité et leur application.
Vous apprendrez également à optimiser des modèles plus complexes en ajustant les hyperparamètres et en incluant des régresseurs supplémentaires dans votre modèle.
Vous effectuerez des diagnostics pour évaluer les performances du modèle et découvrirez des fonctionnalités utiles pour déployer Prophet dans des environnements de production réels.
Cela vous permettra de développer des modèles de prévision sophistiqués et précis à l'aide d'un code concis, compréhensible et reproductible, en exploitant des ensembles de données de séries temporelles brutes.
★Principaux thèmes abordés dans ce livre★
Chapitre 1 : L’évolution de la prévision des séries temporelles : des premières tentatives de compréhension des données de séries temporelles aux principaux développements algorithmiques actuels
Chapitre 2 : Premiers pas avec Prophet : Fonctionnement de base et création de votre premier modèle
Chapitre 3 : Fonctionnement de Prophet : Pourquoi Meta a développé Prophet et la formule de l’algorithme prédictif avec analyste intégré
Chapitre 4 : Traitement des données non quotidiennes : Comment traiter et utiliser diverses données périodiques autres que les données quotidiennes
Chapitre 5 : Gestion de la saisonnalité : Concept et contrôle de la saisonnalité, un élément clé du modèle Prophet
Chapitre 6 : Prévoir l’effet des jours fériés : définition des jours fériés par défaut, régionaux et personnalisés et prise en compte de l’effet des jours fériés
Chapitre 7 : Ajustement des modes de croissance : modèles linéaire, logistique et plat et leurs applications
Chapitre 8 : Maîtriser les changements de tendance : Ajuster la rigidité et la flexibilité de la ligne de tendance pour construire des modèles optimaux pour différentes situations
Chapitre 9 Ajout de variables explicatives : Comment ajouter des données d’entrée multivariées à l’aide de variables explicatives
Chapitre 10 Valeurs aberrantes et événements spéciaux : Problèmes liés aux valeurs aberrantes, détection automatique et techniques de traitement basées sur Prophet
Chapitre 11 Gestion des intervalles d'incertitude : quantification de l'incertitude du modèle et techniques de visualisation
Chapitre 12 : Mise en œuvre de la validation croisée : Méthodes de validation croisée et Prophet pour les caractéristiques des données de séries temporelles
Chapitre 13 : Évaluation des indicateurs de performance : optimisation des modèles et amélioration de la précision grâce aux indicateurs de performance et à la validation croisée
Chapitre 14 : Commercialisation de Prophet : Méthodes de sauvegarde et de mise à jour des modèles et techniques de partage de tableaux de bord avec Plotly
★Public cible de ce livre★
* Les gestionnaires d'entreprise et les analystes de données qui souhaitent apprendre la prévision de séries temporelles à l'aide de Python ou de R.
* Les data scientists et les analystes qui souhaitent comprendre les caractéristiques des données de séries temporelles et leurs différences avec d'autres types de données.
* Ingénieurs en apprentissage automatique souhaitant appliquer l'apprentissage automatique et la modélisation prédictive à des projets concrets.
* Les ingénieurs logiciels qui souhaitent utiliser des techniques prédictives lors du traitement de données de séries temporelles dans le processus de développement logiciel.
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 15 octobre 2025
- Nombre de pages, poids, dimensions : 324 pages | 170 × 232 × 30 mm
- ISBN13 : 9791193083307
- ISBN10 : 1193083303
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
