로그인정보 입력 영역

아이디

비밀번호

• 홈
• 전자책

책소개

시계열 분석의 모든 것 

실제 환경에 특화된 시계열 데이터 분석 및 모범 사례를 다루는 실무 지침서다. ARIMA 및 베이즈 상태 공간 같은 표준적인 통계 모델과 계층형 모델을 폭넓게 다루고, 시계열 데이터 모델링의 현대적인 파이프라인 전체를 실용적인 관점에서 안내한다. 이 책에 담긴 통계와 머신러닝 기술을 활용하면 데이터 엔지니어링 및 분석 과제를 해결하는 방법을 익히고, 시계열 데이터의 핵심을 꿰뚫어볼 수 있는 시각을 얻을 수 있을 것이다.

저자소개

뉴욕을 중심으로 활동하는 소프트웨어 엔지니어이자 데이터 분석가. 헬스케어 스타트업, 정치 캠페인, 물리 연구 실험, 금융거래 등 다양한 분야에서 시계열을 포함한 여러 데이터를 다뤘다. 현재는 예측 애플리케이션을 위한 신경망을 개발 중이다.

목차

CHAPTER 1 시계열의 개요와 역사

1.1 다양한 응용 분야의 시계열 역사
1.2 시계열 분석의 도약
1.3 통계적 시계열 분석의 기원
1.4 머신러닝 시계열 분석의 기원
1.5 보충 자료

CHAPTER 2 시계열 데이터의 발견 및 다루기

2.1 시계열 데이터는 어디서 찾는가
2.2 테이블 집합에서 시계열 데이터 집합 개선하기
2.3 타임스탬프의 문제점
2.4 데이터 정리
2.5 계절성 데이터
2.6 시간대
2.7 사전관찰의 방지
2.8 보충 자료

CHAPTER 3 시계열의 탐색적 자료 분석

3.1 친숙한 방법
3.2 시계열에 특화된 탐색법
3.3 유용한 시각화
3.4 보충 자료

CHAPTER 4 시계열 데이터의 시뮬레이션

4.1 시계열 시뮬레이션의 특별한 점
4.2 코드로 보는 시뮬레이션
4.3 시뮬레이션에 대한 마지막 조언
4.4 보충 자료

CHAPTER 5 시간 데이터 저장

5.1 요구 사항 정의
5.2 데이터베이스 솔루션
5.3 파일 솔루션
5.4 보충 자료

CHAPTER 6 시계열의 통계 모델

6.1 선형회귀를 사용하지 않는 이유
6.2 시계열을 위해 개발된 통계 모델
6.3 시계열 통계 모델의 장단점
6.4 보충 자료

CHAPTER 7 시계열의 상태공간 모델

7.1 상태공간 모델의 장단점
7.2 칼만 필터
7.3 은닉 마르코프 모델
7.4 베이즈 구조적 시계열
7.5 보충 자료

CHAPTER 8 시계열 특징의 생성 및 선택

8.1 입문자를 위한 예제
8.2 특징 계산 시 고려 사항
8.3 특징의 발견에 영감을 주는 장소 목록
8.4 생성된 특징들 중 일부만 선택하는 방법
8.5 마치며
8.6 보충 자료

CHAPTER 9 시계열을 위한 머신러닝

9.1 시계열 분류
9.2 클러스터링
9.3 보충 자료

CHAPTER 10 시계열을 위한 딥러닝

10.1 딥러닝 개념
10.2 신경망 프로그래밍
10.3 학습 파이프라인 만들기
10.4 순전파 네트워크
10.5 합성곱 신경망
10.6 순환 신경망
10.7 복합 구조
10.8 마치며
10.9 보충 자료

CHAPTER 11 오차 측정

11.1 예측을 테스트하는 기본 방법
11.2 예측하기 좋은 시점
11.3 시뮬레이션으로 모델의 불확실성 추정
11.4 여러 단계를 앞선 예측
11.5 모델 검증 시 주의 사항
11.6 보충 자료

CHAPTER 12 시계열 모델의 학습과 배포에 대한 성능 고려 사항

12.1 일반 사례를 위해 만들어진 도구로 작업하기
12.2 데이터 스토리지 형식의 장단점
12.3 성능 고려 사항에 맞게 분석 수정
12.4 보충 자료

CHAPTER 13 헬스케어 애플리케이션

13.1 독감 예측
13.2 혈당치 예측
13.3 보충 자료

CHAPTER 14 금융 애플리케이션

14.1 금융 데이터의 취득과 탐색
14.2 딥러닝을 위한 금융 데이터 전처리
14.3 RNN의 구축과 학습
14.4 보충 자료

CHAPTER 15 정부를 위한 시계열

15.1 정부 데이터 취득
15.2 대규모 시계열 데이터의 탐색
15.3 시계열 데이터에 대한 실시간 통계 분석
15.4 보충 자료

CHAPTER 16 시계열 패키지

16.1 대규모 예측
16.2 이상 감지
16.3 그 밖의 시계열 패키지
16.4 보충 자료

CHAPTER 17 시계열 예측의 미래 전망

17.1 서비스형 예측
17.2 딥러닝으로 확률적 가능성 향상
17.3 통계적 방법보다 중요성이 더 커진 머신러닝 방법
17.4 머신러닝과 통계를 결합한 방법론의 증가
17.5 일상으로 스며든 더 많은 예측