Time Series Analysis with Python Cookbook

🐍 با استفاده از این بانک کد پایتون و راهنمای مرجع، تحلیل سری‌های زمانی و پیش‌بینی رو با اعتماد به نفس انجام بده.

🔓 به فصل‌های جایزه و اختصاصی گیت‌هاب و دستورالعمل‌های عملی دسترسی داشته باش که مباحثی مثل راه‌اندازی پایتون، پیش‌بینی‌های یادگیری عمیق احتمالی، تحلیل حوزه فرکانس، مدیریت داده‌های مقیاس بزرگ، دیتابیس‌ها، InfluxDB و مصورسازی‌های پیشرفته رو پوشش میده.

✨ ویژگی‌های کلیدی

🔍 بررسی تکنیک‌های به‌روز پیش‌بینی و تشخیص ناهنجاری با استفاده از الگوریتم‌های آماری، یادگیری ماشین و یادگیری عمیق

📏 یادگیری تکنیک‌های مختلف برای ارزیابی، عیب‌یابی و بهینه‌سازی مدل‌ها

🎢 کار با انواع داده‌های پیچیده که دارای روندها، الگوهای فصلی متعدد و بی‌نظمی‌ها هستن

📚 توضیحات کتاب

💡 برای اینکه بتونی از داده‌های سری زمانی به نفع خودت استفاده کنی، باید روی آماده‌سازی داده‌ها، تحلیل و پیش‌بینی مسلط باشی. این ویرایش دوم که کاملاً بازنویسی شده، بهت کمک می‌کنه تا با فصل‌های جدید درباره مدل‌های احتمالی، تکنیک‌های پردازش سیگنال و محتوای جدید درباره ترنسفورمرها، بینش‌های خوبی از داده‌های سری زمانی بیرون بکشی. تو با آخرین نسخه‌های کتابخانه‌های محبوبی مثل Pandas، Polars، Sktime، statsmodels، statsforecast، Darts و Prophet از طریق مثال‌های به‌روز کار خواهی کرد.

🚀 کار رو با وارد کردن داده‌های سری زمانی از منابع و فرمت‌های مختلف خیلی سریع شروع می‌کنی و استراتژی‌هایی رو برای مدیریت داده‌های گمشده، کار با مناطق زمانی (Time Zones) و روزهای کاری سفارشی، و تشخیص ناهنجاری‌ها با استفاده از روش‌های آماری بصری یاد می‌گیری.

🛠️ از طریق دستورالعمل‌های دقیق، پیش‌بینی رو با استفاده از مدل‌های آماری کلاسیک مثل Holt-Winters، SARIMA و VAR بررسی می‌کنی و تکنیک‌های کاربردی برای مدیریت داده‌های غیرایستا (Non-stationary) با استفاده از تبدیلات توان، نمودارهای ACF و PACF و تجزیه داده‌های سری زمانی با الگوهای فصلی رو یاد می‌گیری.

🧠 دستورالعمل‌ها سطح‌شون بالاتر میره تا مباحث پیشرفته‌تری مثل ساخت مدل‌های ML و DL با استفاده از TensorFlow و PyTorch و اعمال تکنیک‌های مدل‌سازی احتمالی رو پوشش بدن. در این بخش، همچنین می‌تونی مدل‌ها رو ارزیابی، مقایسه و بهینه‌سازی کنی و در نهایت با تسلط کامل روی ورز دادن (Wrangling) داده‌ها با پایتون کار رو تموم کنی.

🎓 آنچه یاد خواهید گرفت

• درک اینکه چه چیزی داده‌های سری زمانی رو از سایر داده‌ها متمایز می‌کنه
• اعمال استراتژی‌های پر کردن (Imputation) و میان‌یابی برای مدیریت داده‌های گمشده
• پیاده‌سازی مجموعه‌ای از مدل‌ها برای سری‌های زمانی تک‌متغیره و چندمتغیره
• رسم نمودارهای تعاملی سری زمانی با استفاده از hvPlot
• بررسی مدل‌های فضا-حالت (State-space) و مدل مولفه‌های مشاهده‌نشده (UCM)
• تشخیص ناهنجاری‌ها با استفاده از روش‌های آماری و یادگیری ماشین
• پیش‌بینی سری‌های زمانی پیچیده با الگوهای فصلی متعدد
• استفاده از پیش‌بینی تطبیقی (Conformal prediction) برای ساخت بازه‌های اطمینان برای سری‌های زمانی

👥 این کتاب برای چه کسانی است

🧑‍💻 این کتاب برای تحلیلگران داده، تحلیلگران کسب‌وکار، متخصصان علم داده (دیتا ساینتیست‌ها)، مهندسان داده و توسعه‌دهندگان پایتون نوشته شده که می‌خوان تکنیک‌های تحلیل سری زمانی و پیش‌بینی رو قدم‌به‌قدم و از طریق دستورالعمل‌های عملی پایتون یاد بگیرن.

⚡ برای اینکه بیشترین بهره رو از این کتاب ببری، نیاز به دانش پایه‌ای برنامه‌نویسی پایتون داری. تجربه قبلی کار با داده‌های سری زمانی برای حل مشکلات تجاری بهت کمک می‌کنه تا دستورالعمل‌ها رو سریع‌تر و بهتر به کار بگیری.

📑 فهرست مطالب

فصل ۱: خواندن داده‌های سری زمانی از فایل‌ها

فصل ۲: خواندن داده‌های سری زمانی از دیتابیس‌ها

فصل ۳: ذخیره‌سازی داده‌های سری زمانی در فایل‌ها

فصل ۴: ذخیره‌سازی داده‌های سری زمانی در دیتابیس‌ها

فصل ۵: کار با تاریخ و زمان در پایتون

فصل ۶: مدیریت داده‌های گمشده

فصل ۷: تشخیص داده‌های پرت با استفاده از روش‌های آماری

فصل ۸: تحلیل اکتشافی داده‌ها و عیب‌یابی

فصل ۹: ساخت مدل‌های سری زمانی تک‌متغیره با استفاده از روش‌های آماری

فصل ۱۰: تکنیک‌های مدل‌سازی آماری اضافی برای سری‌های زمانی

فصل ۱۱: پیش‌بینی با استفاده از یادگیری ماشین نظارت‌شده

فصل ۱۲: یادگیری عمیق برای پیش‌بینی سری‌های زمانی

فصل ۱۳: تشخیص داده‌های پرت با استفاده از یادگیری ماشین نظارت‌نشده

فصل ۱۴: تکنیک‌های پیشرفته برای سری‌های زمانی پیچیده

✍️ درباره نویسنده

👨‍🏫 طارق عطوان یک متخصص تحلیل داده با بیش از ۱۶ سال تجربه مشاوره بین‌المللی است که تخصص موضوعی در زمینه علم داده، عملیات یادگیری ماشین (MLOps)، مهندسی داده و هوش تجاری ارائه میده. او چندین بوت‌کمپ عملی کدنویسی، دوره و کارگاه آموزشی رو در موضوعات مختلفی از جمله علم داده، مصورسازی داده‌ها، برنامه‌نویسی پایتون، پیش‌بینی سری‌های زمانی و بلاک‌چین در دانشگاه‌های مختلف ایالات متحده تدریس کرده. او به عنوان منتور و مشاور علم داده شناخته میشه و با مدیران اجرایی در صنایع متعدد همکاری می‌کنه تا مشکلات پیچیده رو با رویکرد داده‌محور حل کنن.

Perform time series analysis and forecasting confidently with this Python code bank and reference manual.

Access exclusive GitHub bonus chapters and hands-on recipes covering Python setup, probabilistic deep learning forecasts, frequency-domain analysis, large-scale data handling, databases, InfluxDB, and advanced visualizations.

Key Features

• Explore up-to-date forecasting and anomaly detection techniques using statistical, machine learning, and deep learning algorithms
• Learn different techniques for evaluating, diagnosing, and optimizing your models
• Work with a variety of complex data with trends, multiple seasonal patterns, and irregularities

Book Description

To use time series data to your advantage, you need to master data preparation, analysis, and forecasting. This fully refreshed second edition helps you unlock insights from time series data with new chapters on probabilistic models, signal processing techniques, and new content on transformers. You’ll work with the latest releases of popular libraries like Pandas, Polars, Sktime, stats models, stats forecast, Darts, and Prophet through up-to-date examples.

You’ll hit the ground running by ingesting time series data from various sources and formats and learn strategies for handling missing data, dealing with time zones and custom business days, and detecting anomalies using intuitive statistical methods.

Through detailed instructions, you’ll explore forecasting using classical statistical models such as Holt-Winters, SARIMA, and VAR, and learn practical techniques for handling non-stationary data using power transforms, ACF and PACF plots, and decomposing time series data with seasonal patterns. The recipes then level up to cover more advanced topics such as building ML and DL models using TensorFlow and PyTorch and applying probabilistic modeling techniques. In this part, you’ll also be able to evaluate, compare, and optimize models, finishing with a strong command of wrangling data with Python.

What you will learn

• Understand what makes time series data different from other data
• Apply imputation and interpolation strategies to handle missing data
• Implement an array of models for univariate and multivariate time series
• Plot interactive time series visualizations using hvPlot
• Explore state-space models and the unobserved components model (UCM)
• Detect anomalies using statistical and machine learning methods
• Forecast complex time series with multiple seasonal patterns
• Use conformal prediction for constructing prediction intervals for time series

Who this book is for

This book is for data analysts, business analysts, data scientists, data engineers, and Python developers who want to learn time series analysis and forecasting techniques step by step through practical Python recipes.

To get the most out of this book, you’ll need fundamental Python programming knowledge. Prior experience working with time series data to solve business problems will help you to better utilize and apply the recipes more quickly.

Table of Contents

Chapter 1: Reading Time Series Data from Files

Chapter 2: Reading Time Series Data from Databases

Chapter 3: Persisting Time Series Data to Files

Chapter 4: Persisting Time Series Data to Databases

Chapter 5: Working with Date and Time in Python

Chapter 6: Handling Missing Data

Chapter 7: Outlier Detection Using Statistical Methods

Chapter 8: Exploratory Data Analysis and Diagnosis

Chapter 9: Building Univariate Time Series Models Using Statistical Methods

Chapter 10: Additional Statistical Modeling Techniques for Time Series

Chapter 11: Forecasting Using Supervised Machine Learning

Chapter 12: Deep Learning for Time Series Forecasting

Chapter 13: Outlier Detection Using Unsupervised Machine Learning

Chapter 14: Advanced Techniques for Complex Time Series

About the Author

Tarek A. Atwan is a data analytics expert with over 16 years of international consulting experience, providing subject matter expertise in data science, machine learning operations, data engineering, and business intelligence. He has taught multiple hands-on coding boot camps, courses, and workshops on various topics, including data science, data visualization, Python programming, time series forecasting, and blockchain at various universities in the United States. He is regarded as a data science mentor and advisor, working with executive leaders in numerous industries to solve complex problems using a data-driven approach.