Modern Time Series Forecasting with Python (Paperback)
Lingua: inglese
Editore: BPB Publications, New Delhi, 2026
- Brossura
- Nuovo
Da: CitiRetail, Stevenage, Regno UnitoCitiRetail
Venditore AbeBooks dal 29 giugno 2022
Condizione: Nuovo
EUR 43,25
Quantità: 1 disponibile
Aggiungi al carrelloDescrizione dell’articolo da parte del venditore
Paperback. Time series forecasting is driving decision-making in everything from financial markets to supply chain logistics. This book provides a hands-on roadmap to mastering this technology, bridging the gap between classical statistical rigor and cutting-edge artificial intelligence. Understand time series fundamentals by exploring decomposition, stationarity, and ACF/PACF analysis before mastering preprocessing and feature engineering. You will build foundational ARIMA, SARIMA, and Holt-Winters' models before pivoting to machine learning with XGBoost and Scikit-learn. The journey accelerates into deep learning, designing RNNs, LSTMs, and hybrid CNN-LSTM architectures for univariate and multivariate forecasting. After exploring advanced VAR and VECM models, you will implement walk-forward validation and professional error metrics. The final sections cover scalability and MLOps, teaching you to handle big data with Dask and deploy production-ready models via FastAPI and Apache Kafka. By the end of this book, you will be a competent practitioner capable of building high-performance forecasting pipelines for stock prices, demand, and sensor data. You will possess the technical expertise to deploy scalable, ethical, and accurate models in real-world cloud environments with confidence.What you will learn Diagnose trend and seasonality using Statsmodels stationarity. Build ARIMA/SARIMA and smoothing models using Statsmodels. Engineer lag, rolling, and calendar-based forecasting features. Deploy FastAPI pipelines and monitor Kafka drift. Build LSTM and GRU architectures with TensorFlow. Backtest, compare, and ensemble models with confidence. Deploy, monitor, and retrain forecasting pipelines at scale.Who this book is forThis book is designed for data scientists, machine learning engineers, and analysts mastering temporal data. Proficiency in Python and basic statistics is required, while experience with cloud deployment or deep learning helps professional engineers scale models using the featured technical frameworks.Table of Contents1. Introduction to Time Series Data and Analysis2. Data Pre-processing and Feature Engineering3. Exploratory and Statistical Analysis of Time Series4. Autoregressive Models5. Moving Average and ARMA Models6. ARIMA and SARIMA Models7. Exponential Smoothing Methods8. Feature-based Machine Learning for Time Series Forecasting9. Introduction to Deep Learning for Time Series10. Building and Training LSTM Models for Time Series11. Advanced Deep Learning Architectures and Multivariate Forecasting12. Multivariate Time Series Forecasting13. Model Evaluation, Selection, and Ensembling14. Forecasting at Scale and Model Deployment15. Time Series Forecasting in Practice This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…
Codice articolo 9789365893625
- Titolo
- Modern Time Series Forecasting with Python (Paperback)
- Autore
- Kulwinder Singh Parmar
- Editore
- BPB Publications, New Delhi
- Anno di pubblicazione
- 2026
- Condizione
- new
- Rilegatura
- Paperback
- Lingua
- inglese
- ISBN 10
- 9365893623
- ISBN 13
- 9789365893625
Time series forecasting is driving decision-making in everything from financial markets to supply chain logistics. This book provides a hands-on roadmap to mastering this technology, bridging the gap between classical statistical rigor and cutting-edge artificial intelligence.
Understand time series fundamentals by exploring decomposition, stationarity, and ACF/PACF analysis before mastering preprocessing and feature engineering. You will build foundational ARIMA, SARIMA, and Holt-Winters’ models before pivoting to machine learning with XGBoost and Scikit-learn. The journey accelerates into deep learning, designing RNNs, LSTMs, and hybrid CNN-LSTM architectures for univariate and multivariate forecasting. After exploring advanced VAR and VECM models, you will implement walk-forward validation and professional error metrics. The final sections cover scalability and MLOps, teaching you to handle big data with Dask and deploy production-ready models via FastAPI and Apache Kafka.
By the end of this book, you will be a competent practitioner capable of building high-performance forecasting pipelines for stock prices, demand, and sensor data. You will possess the technical expertise to deploy scalable, ethical, and accurate models in real-world cloud environments with confidence.
What you will learn
● Diagnose trend and seasonality using Statsmodels stationarity.
● Build ARIMA/SARIMA and smoothing models using Statsmodels.
● Engineer lag, rolling, and calendar-based forecasting features.
● Deploy FastAPI pipelines and monitor Kafka drift.
● Build LSTM and GRU architectures with TensorFlow.
● Backtest, compare, and ensemble models with confidence.
● Deploy, monitor, and retrain forecasting pipelines at scale.
Who this book is for
This book is designed for data scientists, machine learning engineers, and analysts mastering temporal data. Proficiency in Python and basic statistics is required, while experience with cloud deployment or deep learning helps professional engineers scale models using the featured technical frameworks.
Table of Contents
1. Introduction to Time Series Data and Analysis
2. Data Pre-processing and Feature Engineering
3. Exploratory and Statistical Analysis of Time Series
4. Autoregressive Models
5. Moving Average and ARMA Models
6. ARIMA and SARIMA Models
7. Exponential Smoothing Methods
8. Feature-based Machine Learning for Time Series Forecasting
9. Introduction to Deep Learning for Time Series
10. Building and Training LSTM Models for Time Series
11. Advanced Deep Learning Architectures and Multivariate Forecasting
12. Multivariate Time Series Forecasting
13. Model Evaluation, Selection, and Ensembling
14. Forecasting at Scale and Model Deployment
15. Time Series Forecasting in Practice
"Riassunto" può appartenere a un’altra edizione di questo titolo.
CitiRetail
Stevenage, Regno Unito
Venditore AbeBooks dal 29 giugno 2022
Tariffe di spedizione da Regno Unito a U.S.A.
| Articolo | Da 7 a 14 giorni lavorativi | Da 7 a 60 giorni lavorativi |
|---|---|---|
| Primo articolo | EUR 44,40 | EUR 44,40 |
Metodi di pagamento
Descrizione dello Store
Online business
Informazioni sull’azienda del venditore
ABC BOOKS LIMITED
10 John Street
London, Regno Unito WC1N 2EB
Condizioni di vendita
Orders can be returned within 30 days of receipt.
Diritto di recesso
Se sei un consumatore puoi recedere dal contratto in conformità con quanto segue. Per Consumatore si intende qualsiasi persona fisica che agisce per scopi estranei alla propria attività commerciale, imprenditoriale, artigianale o professionale.
Informazioni sul diritto di recesso
Diritto legale di recesso
Hai il diritto di recedere dal presente contratto entro 14 giorni senza fornire alcuna motivazione.
Il periodo di recesso scade dopo 14 giorni dal giorno in cui tu o una terza parte, diversa dal vettore e da te indicata, acquisisce il possesso fisico dell'ultimo bene o dell'ultimo lotto o pezzo.
Per esercitare il diritto di recesso, compila e invia elettronicamente una dichiarazione esplicita sul nostro sito Web, alla voce “I miei acquisti” nella sezione “Mio account”. Ti comunicheremo senza indugio una conferma di ricezione di tale recesso su un supporto durevole (ad es. via e-mail).
Per rispettare il termine di recesso, è sufficiente inviare la comunicazione relativa all'esercizio del diritto di recesso prima della scadenza del periodo di recesso stesso.
Effetti del recesso
In caso di recesso dal presente contratto, ti rimborseremo tutti i pagamenti ricevuti, compresi i costi di spedizione (ad eccezione dei costi supplementari derivanti dalla tua eventuale scelta di un tipo di spedizione diverso dal tipo meno costoso di consegna standard da noi offerto).
Potremo effettuare una detrazione dal rimborso per la perdita di valore dei beni forniti, qualora tale perdita sia il risultato di una manipolazione non necessaria da parte tua.
Eseguiremo il rimborso senza indebito ritardo e non oltre 14 giorni dal giorno in cui saremo informati della tua decisione di recedere dal presente contratto.
Il rimborso sarà effettuato utilizzando lo stesso mezzo di pagamento da te usato per la transazione iniziale, salvo che tu non abbia espressamente concordato altrimenti; in ogni caso, non dovrai sostenere alcun costo quale conseguenza di tale rimborso.
Possiamo trattenere il rimborso finché non avremo ricevuto i beni oppure finché non avrai fornito la prova di averli rispediti, a seconda di quale condizione si verifichi per prima.
Dovrai rispedire i beni o consegnarli a CitiRetail, Stevenage, United Kingdom, senza indebito ritardo e, in ogni caso, entro 14 giorni dal giorno in cui ci hai comunicato la tua volontà di recedere dal presente contratto. Il termine è rispettato se rispedisci i beni prima della scadenza del periodo di 14 giorni. I costi diretti della restituzione dei beni saranno a tuo carico. Sei responsabile solo della diminuzione del valore dei beni risultante da una manipolazione diversa da quella necessaria per stabilire la natura, le caratteristiche e il funzionamento dei beni stessi.
Eccezioni al diritto di recesso
Il diritto di recesso non si applica a:
- La fornitura di giornali, periodici o riviste ad eccezione dei contratti di abbonamento; e
- La fornitura di contenuto digitale non fornito su un supporto materiale (ad es. su un CD o DVD), se al momento dell'invio dell'ordine hai accettato l'inizio dell'esecuzione e hai riconosciuto che non avresti potuto recedere una volta iniziata l'esecuzione.
Condizioni di spedizione
Please note that titles are dispatched from our US, Canadian or Australian warehouses. Delivery times specified in shipping terms. Orders ship within 2 business days. Delivery to your door then takes 7-14 days.