Machine Learning für Zeitreihen

• Verfasst von: Hirschle, Jochen [VerfasserIn]
• Titel: Machine Learning für Zeitreihen
• Titelzusatz: Einstieg in Regressions-, ARIMA- und Deep-Learning-Verfahren mit Python
• Verf.angabe: Jochen Hirschle
• Verlagsort: München
• Verlag: Hanser
• E-Jahr: 2021
• Jahr: [2021]
• Umfang: VII, 267 Seiten
• Illustrationen: Illustrationen, Diagramme
• Fussnoten: Literaturverzeichnis: Seite 259-260 ; Auf dem Einband: Extra: E-Book inside. - Im Internet: GitHub-Repository zum Buch
• ISBN: 978-3-446-46726-2
• Bestellnr.: 553/46726
• Schlagwörter: (s)Maschinelles Lernen / (s)Zeitreihenanalyse / (s)Python <Programmiersprache> / (s)Scikit-learn / (s)Deep learning / (s)Neuronales Netz / (s)TensorFlow
• Schlagwörter: (s)Deep learning
• Schlagwörter: (s)TensorFlow
• Sprache: ger
• Bibliogr. Hinweis: Erscheint auch als : Online-Ausgabe: Hirschle, Jochen, 1973 - : Machine Learning für Zeitreihen. - München : Hanser, 2021. - 1 Online-Ressource (VII, 267 Seiten)
• RVK-Notation: ST 530
• RVK-Notation: ST 300
• K10plus-PPN: 1736180932

Abstract

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. (Verlagstext)