Få selvtillit i analyse av tidsserier og prognoser med denne omfattende Python-kodeboken og referansehåndboken. I denne boken utforskes ulike teknikker for prognostisering og anomalioppdagelse ved hjelp av statistiske metoder, maskinlæring og dyp læring. Du får innsikt i forskjellige metoder for evaluering, diagnostisering og optimalisering av modellene dine. Boken tar for seg hvordan man kan håndtere komplekse data som inkluderer trender, flere sesongmønstre og uregelmessigheter. Tidsseriedata er tilgjengelig overalt i dag, med høy frekvens og volum. På grunn av kompleksiteten i disse dataene, som ofte inneholder støy og ulike mønstre, er det avgjørende å være godt kjent med teknikkene som dekkes i denne boken for dataklargjøring, analyse og prognoser. Du vil lære praktiske metoder for å arbeide med tidsseriedata, fra innhenting av data fra ulike kilder og formater, enten det er fra privat skylagring, relasjonsdatabaser, ikke-relasjonsdatabaser eller spesialiserte tidsseriedatabaser som InfluxDB.
