Груздев А., Рафферти Г. Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, Sktime и Linkedin Greykite

Прогнозирование - одна из задач науки о данных, которая является центральной для многих видов деятельности внутри организации. Книга посвящена популярным библиотекам прогнозирования временных рядов Prophet, sktime, ETNA и Greykite. Разбирается математический аппарат и API каждой библиотеки. Показаны примеры решения задач прогнозирования, классификации и кластеризации временных рядов, проиллюстрированы темы конструирования и отбора признаков для временных рядов.В качестве примеров прогнозирования используются данные из самых разных областей - уровень углекислого газа в атмосфере, циклы солнечных пятен, количество местных осадков, число лайков в популярных соцсетях и др.Издание будет интересно специалистам по data science, регулярно решающим задачи с временными рядами. Для изучения материала желателен опыт работы на Python и базовые знания в области машинного обучения.

Груздев А., Рафферти Г. Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, Sktime и Linkedin Greykite

Прогнозирование - одна из задач науки о данных, которая является центральной для многих видов деятельности внутри организации. Книга посвящена популярным библиотекам прогнозирования временных рядов Prophet, sktime, ETNA и Greykite. Разбирается математический аппарат и API каждой библиотеки. Показаны примеры решения задач прогнозирования, классификации и кластеризации временных рядов, проиллюстрированы темы конструирования и отбора признаков для временных рядов.В качестве примеров прогнозирования используются данные из самых разных областей - уровень углекислого газа в атмосфере, циклы солнечных пятен, количество местных осадков, число лайков в популярных соцсетях и др.Издание будет интересно специалистам по data science, регулярно решающим задачи с временными рядами. Для изучения материала желателен опыт работы на Python и базовые знания в области машинного обучения.

Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, Sktime и Linkedin Greykite. Груздев А.В.

Прогнозирование временных рядов с помощью Facebook Prophet, ETNA, Sktime и LinkedIn Greykite

Прогнозирование - одна из задач науки о данных, которая является центральной для многих видов деятельности внутри организации. Книга посвящена популярным библиотекам прогнозирования временных рядов Prophet, sktime, ETNA и Greykite. Разбирается математический аппарат и API каждой библиотеки. Показаны примеры решения задач прогнозирования, классификации и кластеризации временных рядов, проиллюстрированы темы конструирования и отбора признаков для временных рядов. В качестве примеров прогнозирования используются данные из самых разных областей - уровень углекислого газа в атмосфере, циклы солнечных пятен, количество местных осадков, число лайков в популярных соцсетях и др. Издание будет интересно специалистам по data science, регулярно решающим задачи с временными рядами. Для изучения материала желателен опыт работы на Python и базовые знания в области машинного обучения.

Нильсен Эйлин Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение

"Незаурядное издание! Рано или поздно любому специалисту по анализу данных приходится работать с временными рядами или с подобными им технологическими данными. В этой книге вы найдете детальное описание методологий машинного обучения и обработки временных данных, сопровождаемое великолепными примерами их практической реализации." Андреас В. Кемпа-Лир, старший преподаватель, факультет инженерных наук, Оклендский университет Анализ временных рядов становится все более и более актуальным разделом науки о данных в связи с широким распространением Интернета вещей, переходом здравоохранения на исключительно цифровой учет данных и ростом умных городов. Непрерывный мониторинг и сбор самых разных данных становятся повседневной действительностью и предопределяют постоянно растущую потребность в эффективных инструментах анализа временных рядов, основанных как на статистических методах, так и на методах машинного обучения. В этом практическом руководстве описаны современные технологии анализа данных временных рядов и приведены примеры их практического использования в самых разных предметных областях. Оно призвано помочь в решении наиболее распространенных задач исследования и обработки временных рядов с помощью традиционных статистических методов и наиболее популярных моделей машинного обучения. В своей книге Эйлин Нильсен рассматривает самые распространенные и доступные инструменты анализа временных рядов, включенные в программные пакеты языков R и Python, которые могут применяться специалистами по работе с данными и разработчиками программного обеспечения для написания собственных эффективных решений. Основные темы книги: Поиск и извлечение временных рядов Глубокое исследование временных рядов Хранение временных данных Моделирование данных временных рядов Генерирование и отбор признаков для временных рядов Классификация и прогнозирование временных рядов с помощью методов машинного и глубокого обучения Оценка ошибок прогнозирования Оценка точности и производительности моделей

Анализ временных рядов и прогнозирование. Садовникова Н.А., Шмойлова Р.А.

Садовникова Н., Шмойлова Р. Анализ временных рядов и прогнозирование

Рассмотрены теоретико-методологические аспекты моделирования социально-экономических явлений и процессов. Дана характеристика временных рядов. Показаны особенности статистического анализа одномерных временных рядов. Описаны модели периодических колебаний и связных временных рядов. Особое внимание уделено прогнозированию социально-экономических явлений и процессов: описанию методов прогнозной экстраполяции, видам прогнозирования, оценке и надежности прогнозов. Учебник дополнен списком терминов, заданиями для самостоятельной работы и приложениями со справочной информацией.Для студентов экономических специальностей высших учебных заведений. Может быть полезен аспирантам, преподавателям и специалистам-практикам, занимающимся вопросами применения методов статистического анализа и прогнозирования в экономике и социальной сфере.

Садовникова Н., Шмойлова Р. Анализ временных рядов и прогнозирование

Рассмотрены теоретико-методологические аспекты моделирования социально-экономических явлений и процессов. Дана характеристика временных рядов. Показаны особенности статистического анализа одномерных временных рядов. Описаны модели периодических колебаний и связных временных рядов. Особое внимание уделено прогнозированию социально-экономических явлений и процессов: описанию методов прогнозной экстраполяции, видам прогнозирования, оценке и надежности прогнозов. Учебник дополнен списком терминов, заданиями для самостоятельной работы и приложениями со справочной информацией.Для студентов экономических специальностей высших учебных заведений. Может быть полезен аспирантам, преподавателям и специалистам-практикам, занимающимся вопросами применения методов статистического анализа и прогнозирования в экономике и социальной сфере.

Хейдт Майкл, Груздев Артем Владимирович Изучаем pandas

Библиотека pandas - популярный пакет для анализа и обработки данных на языке Python. Он предлагает эффективные, быстрые, высокопроизводительные структуры данных, которые позволяют существенно упростить работу. Данная книга познакомит вас с обширным набором инструментов, предлагаемых библиотекой pandas, - начиная с обзора загрузки данных с удаленных источников, выполнения численного и статистического анализа, индексации, агрегации и заканчивая визуализацией данных и анализом финансовой информации. Во второе издание добавлены новые приложения, посвященные предварительной подготовке данных и настройке гиперпараметров, работе с датами, строками и предупреждениями. Подробно освещены алгоритмы случайного леса, градиентного бустинга CatBoost и логистической регрессии. Издание предназначено всем разработчикам на языке Python, интересующимся обработкой данных. 2-е издание, дополненное.

Носко Владимир Петрович Эконометрика. Книга 2. Ч. 3,4

В учебнике излагаются методы эконометрического анализа - от самых простых до весьма продвинутых. В основе учебника - курсы лекций, прочитанные автором в Институте экономической политики им. Е.Т.Гайдара, на механико-математическом факультете Московского государственного университета им. М.В.Ломоносова и на экономическом факультете РАНХиГС. Учебник состоит из двух книг (четырех частей): в книге 1 рассматриваются линейные модели регрессии; модели стационарных и нестационарных временных рядов, особенности регрессионного анализа для стационарных и нестационарных переменных; в книге 2 - модели одновременных уравнений, модели с дискретными и цензурированными объясняемыми переменными, модели для анализа панельных данных; модель стохастической границы производственных возможностей, а также содержится дополнительный материал по анализу временных рядов (прогнозирование, методология векторных авторегрессий и др.). В каждой части учебника имеется словарь употребляемых в ней терминов. Для студентов, аспирантов, преподавателей, а также для специалистов по прикладной экономике.

Груздев Артем Владимирович Предварительная подготовка данных в Python. Том 1. Инструменты и валидация

В двухтомнике представлены материалы по применению классических методов машинного обучения для различных промышленных задач. Прочитав первый том, вы научитесь: - работать в IPython и Jupyter Notebook; - применять функции библиотеки NumPy; - визуализировать результаты анализа с помощью библиотек matplotlib, seaborn и plotly; - выполнять предварительную подготовку данных в библиотеке pandas; - работать с классами scikit-learn, строящими модели предварительной подготовки данных и модели машинного обучения; - применять различные стратегии валидации данных.

Носко Владимир Петрович Эконометрика. Книга 2

В учебнике излагаются методы эконометрического анализа - от самых простых до весьма продвинутых. В основе учебника - курсы лекций, прочитанные автором в Институте экономической политики им. Е. Т. Гайдара, на механико-математическом факультете Московского государственного университета им. М. В. Ломоносова и на экономическом факультете РАНХиГС. Учебник состоит из двух книг (четырех частей): в книге 1 рассматриваются линейные модели регрессии, модели стационарных и нестационарных временных рядов, особенности регрессионного анализа для стационарных и нестационарных переменных; в книге 2 - модели одновременных уравнений, модели с дискретными и цензурированными объясняемыми переменными, модели для анализа панельных данных, модель стохастической границы производственных возможностей, а также дополнительный материал по анализу временных рядов (прогнозирование, методология векторных авторегрессий и др.). В каждой части учебника имеется словарь употребляемых в ней терминов. Для студентов, аспирантов, преподавателей, а также для специалистов по прикладной экономике.

Носко Владимир Петрович Эконометрика. В 2-х книгах. Книга 1. Учебник

В учебнике излагаются методы эконометрического анализа - от самых простых до весьма продвинутых. В основе учебника - курсы лекций, прочитанные автором в Институте экономической политики им. Е. Т. Гайдара, на механико-математическом факультете Московского государственного университета им. М. В. Ломоносова и на экономическом факультете РАНХиГС. Учебник состоит из двух книг (четырех частей): в книге 1 рассматриваются линейные модели регрессии; модели стационарных и нестационарных временных рядов, особенности регрессионного анализа для стационарных и нестационарных переменных; в книге 2 - модели одновременных уравнений, модели с дискретными и цензурированными объясняемыми переменными, модели для анализа панельных данных, модель стохастической границы производственных возможностей, а также содержится дополнительный материал по анализу временных рядов (прогнозирование, методология векторных авторегрессий и др.). В каждой части учебника имеется словарь употребляемых в ней терминов. Для студентов, аспирантов, преподавателей, а также для специалистов по прикладной экономике.

Носко Владимир Петрович Эконометрика. Учебник. Книга 1. Часть 1. Основные понятия, эл. методы. Часть 2. Регрессионный анализ

В учебнике излагаются методы эконометрического анализа - от самых простых до весьма продвинутых. В основе учебника - курсы лекций, прочитанные автором в Институте экономической политики имени Е.Т. Гайдара, на механико-математическом факультете Московского государственного университета имени М.В. Ломоносова и на экономическом факультете РАНХиГС. Учебник состоит из двух книг (четырех частей): - в книге 1 рассматриваются линейные модели регрессии; модели стационарных и нестационарных временных рядов, особенности регрессионного анализа для стационарных и нестационарных переменных; - в книге 2 - модели одновременных уравнений, модели с дискретными и цензурированными объясняемыми переменными, модели для анализа панельных данных; модель стохастической границы производственных возможностей, а также содержится дополнительный материал по анализу временных рядов (прогнозирование, методология векторных авторегрессий и др.) В каждой части учебника имеется словарь употребляемых в ней терминов. Для студентов, аспирантов, преподавателей, а также для специалистов по прикладной экономике.

Яковлев Владимир Борисович Эконометрика в Excel и Statistica. (Бакалавриат). Учебное пособие

Изложены основные методы регрессионного анализа (парная и множественная регрессия) и анализа временных рядов (автокорреляция уровней временных рядов, сглаживание временных рядов, аналитическое выравнивание временных рядов, сезонная декомпозиция временных рядов, изучение взаимосвязей по временным рядам), приведены соответствующие расчетные формулы, раскрыт содержательный смысл эконометрических показателей. Подробно, вплоть до пошаговых инструкций, описаны способы решения задач в табличном процессоре Microsoft Excel 2016 и статистическом пакете Statistica 10. Соответствует ФГОС ВО последнего поколения. Для студентов бакалавриата, обучающихся по направлению "Бизнес-информатика".

Салманов Олег Эконометрика: Учебное пособие

В пособии дано систематическое изложение основ эконометрики. Рассмотрены парный регрессионный анализ, метод наименьших квадратов, нелинейная регрессия, множественный регрессионный анализ, гетероскедастичность и автокорреляция, системы одновременных уравнений. Приведена общая методология анализа временных рядов, оценки их числовых характеристик, прогнозирование на основе общей линейной модели временного ряда. Рассмотрены методы оценивания параметров процесса авторегрессии, скользящего среднего, комбинированных процессов авторегрессии - скользящего среднего, процессов авторегрессии и проинтегрированного скользящего среднего и методов прогнозирования в данных моделях. Большое внимание уделено эконометрическим расчетам с помощью компьютеров. Показаны примеры применения популярных систем Excel, Mathcad и STATISTICA для регрессионного анализа и прогнозирования. Для студентов вузов, обучающихся по специальности "Прикладная информатика (по областям)" и другим междисциплинарным специальностям.