Modern Time Series Forecasting with Python (Paperback)
Idioma: inglés
Editorial: BPB Publications, New Delhi, 2026
- Tapa blanda
- Nuevo
Librería: CitiRetail, Stevenage, Reino UnidoCitiRetail
Vendedor de IberLibro desde 29 de junio de 2022
Condición: Nuevo
EUR 42,74
Cantidad disponible: 1 disponible
Añadir al carritoDescripción del artículo del vendedor
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.…
N° de ref. del artículo 9789365893625
- Título
- Modern Time Series Forecasting with Python (Paperback)
- Autor
- Kulwinder Singh Parmar
- Editorial
- BPB Publications, New Delhi
- Año de publicación
- 2026
- Estado
- new
- Encuadernación
- Paperback
- Idioma
- inglés
- 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
“Sinopsis” puede pertenecer a otra edición de este título.
CitiRetail
Stevenage, Reino Unido
Vendedor de IberLibro desde 29 de junio de 2022
Tarifas de envío de Reino Unido a Estados Unidos de America
| Artículo | De 7 a 14 días hábiles | De 7 a 60 días hábiles |
|---|---|---|
| Primer artículo | EUR 43,88 | EUR 43,88 |
Métodos de pago
Descripción de la tienda
Online business
Información empresarial del vendedor
ABC BOOKS LIMITED
10 John Street
London, Reino Unido WC1N 2EB
Condiciones de venta
Orders can be returned within 30 days of receipt.
Derecho al desistimiento
Si es un consumidor, puede rescindir el contrato de acuerdo con lo siguiente. Por consumidor se entiende cualquier persona física que actúe con fines ajenos a su actividad comercial, empresarial, oficio o profesión.
Información sobre el derecho de desistimiento
Derecho legal de desistimiento
Tiene derecho a rescindir este contrato en un plazo de 14 días sin dar ningún motivo.
El periodo de desistimiento vencerá a los 14 días desde que usted, o un tercero que no sea el transportista e indicado por usted, adquiera la posesión física del último bien o del último lote o pieza.
Para ejercer el derecho de desistimiento, complete de forma electrónica y envíe una declaración clara en nuestro sitio web, desde "Mis compras" en "Mi cuenta". Le enviaremos sin demora un acuse de recibo de dicho desistimiento a través de un soporte duradero (por ejemplo, por correo electrónico).
Para cumplir con el plazo de desistimiento, basta con que envíe su comunicación relativa al ejercicio del derecho de desistimiento antes de que venza el periodo de desistimiento.
Efectos del desistimiento
Si rescinde este contrato, le reembolsaremos todos los pagos que hayamos recibido de usted, incluidos los gastos de envío (excepto los gastos adicionales que surjan si elige un tipo de envío que no sea el tipo de envío estándar más económico que ofrecemos).
Podemos hacer una deducción del reembolso por la pérdida de valor de cualquier bien suministrado, si la pérdida es el resultado de una manipulación innecesaria por su parte.
Efectuaremos el reembolso sin demoras indebidas y, a más tardar, 14 días después de que se nos informe de su decisión de rescindir este contrato.
Efectuaremos el reembolso utilizando el mismo medio de pago que utilizó para la transacción inicial, a menos que haya acordado expresamente lo contrario; en cualquier caso, no incurrirá en ningún cargo como resultado de dicho reembolso.
Podremos retener el reembolso hasta que hayamos recibido los bienes o hasta que nos haya presentado una prueba de que los ha devuelto, lo que ocurra primero.
Deberá devolver los bienes o entregarlos a CitiRetail, Stevenage, United Kingdom, sin demoras indebidas y, en cualquier caso, en un plazo máximo de 14 días a partir del día en que nos comunique su desistimiento del presente contrato. El plazo se cumple si devuelve la mercancía antes de que venza el periodo de 14 días. Tendrá que asumir los gastos directos de devolución de los bienes. Usted solo es responsable de la disminución del valor de los bienes como resultado de una manipulación distinta a la necesaria para establecer la naturaleza, las características y el funcionamiento de los bienes.
Excepciones al derecho de desistimiento
El derecho de desistimiento no se aplica a lo siguiente:
- La entrega de periódicos, diarios o revistas, con la excepción de los contratos de suscripción; y
- El suministro de contenido digital que no se proporcione en un soporte tangible (por ejemplo, en un CD o DVD) si, al hacer el pedido, aceptó que podíamos empezar a entregarlo y que no podría desistir una vez iniciada la entrega.
Condiciones de envío
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.