- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 전산통계/해석 > 실전 시계열 분석[한빛미디어]
;)
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.
저자: 에일린 닐슨
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
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
아마존 데이터 웨어하우스 분야 1위
시계열 데이터 분석을 A부터 Z까지 다루는 실전 가이드
시계열 분석은 기상청, 금융·정부 기관 등 우리 실생활과 밀접한 곳에서 미래를 예측하고 대비하기 위해 사용됩니다. 시계열 데이터는 사물인터넷으로 인한 데이터 대량 생산, 헬스케어 분야의 디지털 전환, 스마트 도시의 부상 등으로 중요성이 더 커지고 있으며, 그 영향력이 모든 산업 분야로 확장될 것입니다.
이 책은 정확한 시계열 분석과 예측을 위해 시계열 데이터와 모델링의 파이프라인 전체(획득, 정리, 시뮬레이션, 저장, 모델링)를 실용적인 관점에서 폭넓게 바라보고 R과 파이썬 코드를 곁들여 설명합니다. 전반부에서는 시계열 예측의 전체 과정을 이해하는 데 기본이 되는 개념을 소개합니다. 시계열 데이터의 탐색, 수집, 정리와 ARIMA, SARIMA 모델 등을 다룹니다. 후반부에서는 MXNet과 텐서플로를 활용하여 헬스케어, 금융, 정부 데이터의 연구 사례에 시계열 기법을 대입하는 방법을 배우고 저자의 풍부한 경험을 녹여낸 다양한 예제도 소개합니다.
마지막으로 각 장에 해당하는 주제와 필수 기법에 대한 튜토리얼을 제공하는 링크를 수록했습니다. 이 책 한 권이면 실세계에서 시계열 데이터를 활용하여 시계열을 분석하고 예측하기 위한 준비를 마칠 수 있습니다. 이 실전 가이드로 시계열 예측의 정확도를 높일 수 있길 바랍니다.
주요 내용
● 시계열 데이터 탐색 및 정리
● 탐색적 시계열 데이터 분석 수행
● 시간 데이터 저장
● 시계열 데이터 시뮬레이션
● 시계열 기능 생성 및 선택
● 측정 오류
● 머신러닝과 딥러닝을 활용한 시계열 예측 및 분류
● 정확도 및 성능 평가
예제 코드
github.com/deep-diver/practical-time-series-analysis-korean
시계열 데이터 분석을 A부터 Z까지 다루는 실전 가이드
시계열 분석은 기상청, 금융·정부 기관 등 우리 실생활과 밀접한 곳에서 미래를 예측하고 대비하기 위해 사용됩니다. 시계열 데이터는 사물인터넷으로 인한 데이터 대량 생산, 헬스케어 분야의 디지털 전환, 스마트 도시의 부상 등으로 중요성이 더 커지고 있으며, 그 영향력이 모든 산업 분야로 확장될 것입니다.
이 책은 정확한 시계열 분석과 예측을 위해 시계열 데이터와 모델링의 파이프라인 전체(획득, 정리, 시뮬레이션, 저장, 모델링)를 실용적인 관점에서 폭넓게 바라보고 R과 파이썬 코드를 곁들여 설명합니다. 전반부에서는 시계열 예측의 전체 과정을 이해하는 데 기본이 되는 개념을 소개합니다. 시계열 데이터의 탐색, 수집, 정리와 ARIMA, SARIMA 모델 등을 다룹니다. 후반부에서는 MXNet과 텐서플로를 활용하여 헬스케어, 금융, 정부 데이터의 연구 사례에 시계열 기법을 대입하는 방법을 배우고 저자의 풍부한 경험을 녹여낸 다양한 예제도 소개합니다.
마지막으로 각 장에 해당하는 주제와 필수 기법에 대한 튜토리얼을 제공하는 링크를 수록했습니다. 이 책 한 권이면 실세계에서 시계열 데이터를 활용하여 시계열을 분석하고 예측하기 위한 준비를 마칠 수 있습니다. 이 실전 가이드로 시계열 예측의 정확도를 높일 수 있길 바랍니다.
주요 내용
● 시계열 데이터 탐색 및 정리
● 탐색적 시계열 데이터 분석 수행
● 시간 데이터 저장
● 시계열 데이터 시뮬레이션
● 시계열 기능 생성 및 선택
● 측정 오류
● 머신러닝과 딥러닝을 활용한 시계열 예측 및 분류
● 정확도 및 성능 평가
예제 코드
github.com/deep-diver/practical-time-series-analysis-korean
