크레마클럽

분야

분야 전체

소설
소설
에세이 시
에세이 시
- 에세이
- 시/평론
경제 경영
경제 경영
자기계발
자기계발
인문
인문
사회 정치
사회 정치
역사
역사
종교
종교
예술 대중문화
예술 대중문화
자연과학
자연과학
가정 살림
가정 살림
건강 취미 여행
건강 취미 여행
어린이 유아
어린이 유아
청소년
청소년
국어 외국어
국어 외국어
IT 모바일
IT 모바일
대학교재
대학교재
수험서 자격증
수험서 자격증
잡지
잡지
만화
만화
로맨스
로맨스
판타지/무협
판타지/무협
- 판타지/SF
- 퓨전
- 현대물
- 스포츠
- 대체역사
- 무협
무료eBook
무료eBook
- 단행본
- 장르소설
- 만화
- 잡지
- 무료체험판
- 전체

크레마클럽 허브

크레마클럽 가입하기

공유하기

페이스북 공유하기 트위터 공유하기 URL복사

파이썬 시계열 예측 분석

통계 모델, 딥러닝, 파이썬 라이브러리를 활용한 대규모 시계열 데이터 분석

마르쿠 페이셰이루 저/동동구 역 | 제이펍 | 2024년 9월 11일 리뷰 총점 9.9 (16건)정보 더 보기/감추기

종이책 리뷰 (11건)
eBook 리뷰 (0건)
종이책 한줄평 (5건)
eBook 한줄평 (0건)

분야: IT 모바일 > IT 전문서

파일정보: PDF(DRM) 21.44MB

지원기기: 크레마 PC(윈도우 - 4K 모니터 미지원) 아이폰 아이패드 안드로이드폰 안드로이드패드 전자책단말기(저사양 기기 사용 불가) PC(Mac)

가입하고 무료로 읽기

eBook 구매 종이책 구매

파이썬 시계열 예측 분석

가입하고 무료로 읽기

이 상품의 태그

#데이터과학 #데이터분석

내서재에 추가 삭제

Beyond : AI가 이끄는 인지 혁명

박종성저
내서재에 추가 삭제

Do it! 쉽게 배우는 R 데이터 분석

김영우 저
내서재에 추가 삭제

그냥 하지 말라

송길영 저
내서재에 추가 삭제

데싸노트의 실전에서 통하는 머신러닝

권시현 저
내서재에 추가 삭제

데이터 읽기의 기술

차현나 저
내서재에 추가 삭제

데이터 천재들은 어떻게 기획하고 분석할까?

조성준,조재희,김성범,이성임,조성배,이영훈 공저
내서재에 추가 삭제

Must Have 텐초의 파이토치 딥러닝 특강

이종민(텐초) 저

책 소개

옮긴이 머리말 xiii베타리더 후기 xiv머리말 xvi감사의 말 xviii이 책에 대하여 xix표지에 대하여 xxiiiPART I 시간은 그 누구도 기다려주지 않는다CHAPTER 1 시계열 예측의 이해 31.1 시계열 소개 4__1.1.1 시계열의 구성요소 51.2 시계열 예측에 대한 조감도 8__1.2.1 목적 설정하기 10 / 1.2.2 목적을 달성하기 위해 무엇을 예측해야 하는지 결정하기 10 / 1.2.3 예측할 기간 설정하기 10 / 1.2.4 데이터 수집하기 10 / 1.2.5 예측 모델 개발하기 11 / 1.2.6 상용 환경에 배포하기 12 / 1.2.7 모니터링하기 12 / 1.2.8 새로운 데이터 수집하기 121.3 시계열 예측이 다른 회귀 작업들과 다른 점 13__1.3.1 시계열에는 순서가 있다 13 / 1.3.2 시계열에 특징이 없는 경우가 있다 141.4 다음 단계 14요약 15CHAPTER 2 단순하게 미래 예측하기 162.1 베이스라인 모델 정의하기 182.2 과거 평균으로 예측하기 19__2.2.1 베이스라인 구현을 위한 설정 20 / 2.2.2 과거 평균 기반 베이스라인 모델 구현하기 222.3 작년의 평균으로 예측하기 272.4 마지막으로 측정된 값으로 예측하기 292.5 단순한 계절적 예측 구현하기 312.6 다음 단계 32요약 33CHAPTER 3 확률보행 따라가보기 353.1 확률보행 프로세스 37__3.1.1 확률보행 프로세스 시뮬레이션하기 373.2 확률보행 식별하기 40__3.2.1 정상성 42 / 3.2.2 정상성 테스트하기 44 / 3.2.3 자기상관함수 48 / 3.2.4 모든 것을 종합하기 48 / 3.2.5 GOOGL은 확률보행인가? 523.3 확률보행 예측하기 55__3.3.1 긴 기간 예측하기 55 / 3.3.2 다음 시간 단계 예측하기 613.4 다음 단계 643.5 연습 65__3.5.1 확률보행 시뮬레이션하기와 예측하기 65 / 3.5.2 GOOGL의 일일 종가 예측하기 66 / 3.5.3 직접 선택한 종목의 일일 종가 예측하기 66요약 67PART 2 통계적 모델을 사용하여 예측하기CHAPTER 4 이동평균과정 모델링하기 714.1 이동평균과정 정의하기 73__4.1.1 이동평균과정의 차수 식별하기 754.2 이동평균과정 예측하기 804.3 다음 단계 904.4 연습 91__4.4.1 MA(2) 프로세스 시뮬레이션하고 예측 수행하기 92 / 4.4.2 MA(q) 프로세스 시뮬레이션하고 예측 수행하기 92요약 93CHAPTER 5 자기회귀과정 모델링하기 945.1 소매점의 주간 평균 유동인구 예측하기 955.2 자기회귀과정 정의하기 975.3 정상적 자기회귀과정의 차수 찾기 98__5.3.1 편자기상관함수 1045.4 자기회귀과정 예측하기 1075.5 다음 단계 1145.6 연습 114__5.6.1 AR(2) 프로세스 시뮬레이션하고 예측 수행하기 114 / 5.6.2 AR(p) 프로세스 시뮬레이션하고 예측 수행하기 115요약 115CHAPTER 6 복잡한 시계열 모델링하기 1166.1 데이터 센터의 대역폭 사용량 예측하기 1176.2 자기회귀이동평균과정 살펴보기 1206.3 정상적 ARMA 프로세스 식별하기 1226.4 일반적 모델링 절차 고안하기 128__6.4.1 아카이케 정보 기준 이해하기 130 / 6.4.2 AIC를 사용하여 모델 선택하기 132 / 6.4.3 잔차 분석 이해하기 134 / 6.4.4 잔차 분석 수행하기 1396.5 일반적 모델링 절차 적용하기 1436.6 대역폭 사용량 예측하기 1526.7 다음 단계 1576.8 연습 157__6.8.1 시뮬레이션된 ARMA(1,1) 프로세스에 대한 예측 수행하기 158 / 6.8.2 ARMA(2,2) 프로세스 시뮬레이션하고 예측 수행하기 158요약 159CHAPTER 7 비정상적 시계열 예측하기 1617.1 자기회귀누적이동평균 모델 정의하기 1647.2 비정상적 시계열에 적용하기 위해 일반적 모델링 절차 수정하기 1657.3 비정상적 시계열 예측하기 1677.4 다음 단계 1777.5 연습 177__7.5.1 4장, 5장, 6장의 데이터 집합에 ARIMA(p,d,q) 모델 적용하기 177요약 178CHAPTER 8 계절성 고려하기 1798.1 SARIMA(p,d,q)(P,D,Q)m 모델 살펴보기 1808.2 시계열에서 계절별 패턴 식별하기 1838.3 월간 항공 승객 수 예측하기 187__8.3.1 ARIMA(p,d,q) 모델을 사용하여 예측하기 190 / 8.3.2 SARIMA(p,d,q)(P,D,Q)m 모델을 사용하여 예측하기 196 / 8.3.3 각 예측 방법의 성능 비교하기 2008.4 다음 단계 2038.5 연습 203__8.5.1 존슨앤드존슨 데이터 집합에 SARIMA(p,d,q)(P,D,Q)m 모델 적용하기 203요약 204CHAPTER 9 모델에 외생 변수 추가하기 2059.1 SARIMAX 모델 살펴보기 207__9.1.1 미국 거시경제 데이터 집합의 외생 변수 탐색하기 208 / 9.1.2 SARIMAX 사용 시 유의사항 2119.2 SARIMAX 모델을 사용하여 실질 GDP 예측하기 2129.3 다음 단계 2219.4 연습 222__9.4.1 SARIMAX 모델에 모든 외생 변수를 사용하여 실질 GDP 예측하기 222요약 222CHAPTER 10 다중 시계열 예측하기 22310.1 VAR 모델 살펴보기 22510.2 VAR(p) 모델에 대한 모델링 절차 설계하기 227__10.2.1 그레인저 인과관계 테스트 살펴보기 22910.3 실질 가처분 소득과 실질 소비 예측하기 23010.4 다음 단계 24210.5 연습 243__10.5.1 VARMA 모델을 사용하여 realdpi와 realcons 예측하기 243 /10.5.2 VARMAX 모델을 사용하여 realdpi와 realcons 예측하기 244요약 244CHAPTER 11 캡스톤 프로젝트: 호주의 항당뇨제 처방 건수 예측하기 24511.1 필요한 라이브러리 임포트하고 데이터 로딩하기 24711.2 수열과 그 구성요소 시각화하기 24811.3 데이터로 모델링하기 250__11.3.1 모델 선택 수행하기 253 / 11.3.2 잔차 분석 수행하기 25411.4 예측을 수행하고, 모델 성능 평가하기 25611.5 다음 단계 260PART 3 딥러닝을 활용하여 대규모 예측하기CHAPTER 12 시계열 예측을 위한 딥러닝 소개하기 26312.1 시계열 예측에 딥러닝을 사용해야 하는 경우 26412.2 다양한 유형의 딥러닝 모델 살펴보기 26512.3 예측을 위한 딥러닝 적용 준비하기 268__12.3.1 데이터 탐색 수행하기 268 / 12.3.2 특징 엔지니어링과 데이터 분할 27212.4 다음 단계 27712.5 연습 277요약 278CHAPTER 13 딥러닝을 위해 데이터 윈도잉하고 베이스라인 모델 만들기 27913.1 데이터 윈도우 만들기 280__13.1.1 시계열 예측을 위한 딥러닝 모델을 훈련하는 방법 살펴보기 280__13.1.2 DataWindow 클래스 구현하기 28413.2 베이스라인 모델 적용하기 292__13.2.1 단일 단계 베이스라인 모델 292__13.2.2 다중 단계 베이스라인 모델 295__13.2.3 다중 출력 베이스라인 모델 29913.3 다음 단계 30313.4 연습 303요약 304CHAPTER 14 딥러닝 첫걸음 30514.1 선형 모델 구현하기 306__14.1.1 단일 단계 선형 모델 구현하기 307 / 14.1.2 다중 단계 선형 모델 구현하기 309 / 14.1.3 다중 출력 선형 모델 구현하기 31114.2 심층 신경망 구현하기 312__14.2.1 단일 단계 모델로 심층 신경망 구현하기 314 / 14.2.2 다중 단계 모델로 심층 신경망 구현하기 317 / 14.2.3 다중 출력 모델로서 심층 신경망 구현하기 31914.3 다음 단계 32014.4 연습 321요약 322CHAPTER 15 LSTM으로 과거 기억하기 32315.1 순환 신경망 살펴보기 32415.2 LSTM 아키텍처 살펴보기 326__15.2.1 망각 게이트 327 / 15.2.2 입력 게이트 329 / 15.2.3 출력 게이트 33015.3 LSTM 아키텍처 구현하기 332__15.3.1 단일 단계 모델로서 LSTM 구현하기 332 / 15.3.2 다중 단계 모델로서 LSTM 구현하기 335 / 15.3.3 다중 출력 모델로서 LSTM 구현하기 33815.4 다음 단계 34115.5 연습 342요약 343CHAPTER 16 CNN으로 시계열 필터링하기 34416.1 CNN 살펴보기 34516.2 CNN 구현하기 349__16.2.1 CNN을 단일 단계 모델로서 구현하기 350 / 16.2.2 CNN을 다중 단계 모델로서 구현하기 354 / 16.2.3 CNN을 다중 출력 모델로서 구현하기 35616.3 다음 단계 35916.4 연습 359요약 361CHAPTER 17 예측으로 더 많은 예측하기 36217.1 ARLSTM 아키텍처 살펴보기 36317.2 자기회귀 LSTM 모델 구축하기 36417.3 다음 단계 37017.4 연습 371요약 371CHAPTER 18 캡스톤 프로젝트: 가정의 전력 소비량 예측하기 37218.1 캡스톤 프로젝트 이해하기 373__18.1.1 캡스톤 프로젝트의 목표 37518.2 데이터 랭글링 및 전처리하기 376__18.2.1 누락된 데이터 처리하기 377 / 18.2.2 데이터 변환 379 / 18.2.3 데이터 리샘플링하기 37918.3 특징 엔지니어링 382__18.3.1 불필요한 열 제거하기 383 / 18.3.2 계절적 기간 식별하기 383 / 18.3.3 데이터를 분할하고 규모 조정하기 38618.4 딥러닝으로 모델링할 준비하기 387__18.4.1 초기 설정 387 / 18.4.2 DataWindow 클래스 정의하기 389 / 18.4.3 모델 훈련을 위한 유틸리티 함수 39118.5 딥러닝으로 모델링하기 392__18.5.1 베이스라인 모델 392 / 18.5.2 선형 모델 396 / 18.5.3 심층 신경망 397 / 18.5.4 장단기 메모리 모델 398 / 18.5.5 합성곱 신경망 399 / 18.5.6 CNN과 LSTM 결합하기 401 / 18.5.7 자기회귀 LSTM 모델 402 / 18.5.8 최적의 모델 선택하기 40418.6 다음 단계 406PART 4 대규모 예측 자동화하기CHAPTER 19 Prophet으로 시계열 예측 자동화하기 40919.1 자동화된 예측 라이브러리들에 대한 개관 41019.2 Prophet 살펴보기 41219.3 Prophet을 사용하여 기본적 예측해보기 41419.4 Prophet의 고급 기능 살펴보기 420__19.4.1 시각화 기능 421 / 19.4.2 교차 검증과 성능 지표 425 / 19.4.3 하이퍼파라미터 튜닝 42919.5 Prophet으로 견고한 예측 절차 구현하기 432__19.5.1 예측 프로젝트: 구글에서 ‘chocolate’ 검색의 인기도 예측하기 434 / 19.5.2 실험: SARIMA가 더 나을 수도 있을까? 44219.6 다음 단계 44619.7 연습 447__19.7.1 항공 승객 수 예측하기 447 / 19.7.2 항당뇨제 처방 건수 예측하기 447 / 19.7.3 구글 트렌드에서 키워드의 인기도 예측하기 447요약 448CHAPTER 20 캡스톤 프로젝트: 캐나다의 스테이크 월평균 소매 가격 예측하기 44920.1 캡스톤 프로젝트의 이해 450__20.1.1 캡스톤 프로젝트의 목표 45020.2 데이터 전처리와 시각화 45120.3 Prophet을 사용한 모델링 45320.4 선택사항: SARIMA 모델 개발하기 45920.5 다음 단계 464CHAPTER 21 한 단계 더 나아가기 46621.1 배운 내용 요약하기 467__21.1.1 예측을 위한 통계적 방법 467 / 21.1.2 예측을 위한 딥러닝 방법 468 / 21.1.3 예측 절차 자동화 46921.2 예측이 실패하면 무엇을 해야 할까? 47021.3 시계열 데이터의 다른 응용 분야 47221.4 계속 연습하기 473APPENDIX A 설치 지침 475찾아보기 479

펼쳐보기접어보기

상세 이미지

저자 소개 (2명)

저 : 마르쿠 페이셰이루 (Marco Peixeiro)

관심작가 알림신청

캐나다 대형 은행의 선임 데이터 과학자다. 데이터 과학을 독학했고, 금융 업계에 취업하고 일하기 위해 알아야 할 것들에 대해 다양하게 공부했다. 실습에 기반한 학습법을 추구하며, 미디엄 블로그, 온라인 강좌 등으로 지식을 전파하고 있다. 캐나다 대형 은행의 선임 데이터 과학자다. 데이터 과학을 독학했고, 금융 업계에 취업하고 일하기 위해 알아야 할 것들에 대해 다양하게 공부했다. 실습에 기반한 학습법을 추구하며, 미디엄 블로그, 온라인 강좌 등으로 지식을 전파하고 있다.

역 : 동동구

관심작가 알림신청

현재 전략 기획 업무를 수행하고 있다. 이전에는 B2C 및 B2B 웹 애플리케이션, Brew/WIPI/SKVM 등의 피처폰 애플리케이션, iOS/안드로이드/윈도우폰/타이젠 애플리케이션 등의 설계 및 개발, 엔지니어 관리 업무를 수행했다. 최근에는 국내 개발자들을 위해 IT 서적을 번역하고 있으며, 옮긴 책으로는 《파이썬과 JAX로 추천 시스템 구축하기》, 《파이썬 시계열 예측분석》(이상 제이펍), 《MLOps 도입 가이드》, 《파이썬 비동기 라이브러리 Asyncio》(이상 한빛미디어) 등이 있다. 현재 전략 기획 업무를 수행하고 있다. 이전에는 B2C 및 B2B 웹 애플리케이션, Brew/WIPI/SKVM 등의 피처폰 애플리케이션, iOS/안드로이드/윈도우폰/타이젠 애플리케이션 등의 설계 및 개발, 엔지니어 관리 업무를 수행했다. 최근에는 국내 개발자들을 위해 IT 서적을 번역하고 있으며, 옮긴 책으로는 《파이썬과 JAX로 추천 시스템 구축하기》, 《파이썬 시계열 예측분석》(이상 제이펍), 《MLOps 도입 가이드》, 《파이썬 비동기 라이브러리 Asyncio》(이상 한빛미디어) 등이 있다.