|
|
|
|
|
PART 01 Prophet으로 시작하기
__01. 시계열 예측 발전사__
____01-1 시계열 예측 개요
__1.1.1 종속 데이터 문제__
____01-2 이동평균과 지수평활법
____01-3 자기회귀누적이동평균(ARIMA)
____01-4 ARCH/GARCH
____01-5 신경망
____01-6 Prophet
____01-7 최근 발전 현황
__1.7.1 NeuralProphet__
__1.7.2 구글의 “견고한 대규모 시계열 예측”__
__1.7.3 링크드인의 SilverKite/GreyKite__
__1.7.4 우버의 Orbit__
__02. Prophet 시작__
____02-1 코랩 노트북 파일 다운로드
____02-2 간단한 Prophet 모델 구축
____02-3 예측 데이터프레임 해석
____02-4 구성 요소 플롯의 이해
__03. Prophet 작동 방식__
____03-1 페이스북이 Prophet을 구축한 동기
____03-2 analyst-in-the-loop 예측
____03-3 Prophet 수식
__3.4.1 선형 성장__
__3.4.2 로지스틱 성장__
__3.4.3 계절성__
__3.4.4 공휴일__
PART 02 계절성, 튜닝, 고급 기능
__04. 일별 기준이 아닌 데이터 처리__
____04-1 월별 데이터 사용
____04-2 하루보다 짧은 주기의 데이터 사용
____04-3 규칙적인 누락 구간을 가진 데이터 사용
__05. 계절성 처리__
____05-1 가산형 vs 곱셈형 계절성
____05-2 푸리에 차수로 계절성 조절
____05-3 커스텀 계절성 추가
____05-4 조건부 계절성 추가
____05-5 계절성 규제
__5.5.1 전역적 계절성 규제__
__5.5.2 국소적 계절성 규제__
__06. 공휴일 효과 예측__
____06-1 기본 국가 공휴일 추가
____06-2 기본 지자체(주/도) 공휴일 추가
____06-3 커스텀 공휴일 생성
____06-4 연휴 생성
____06-5 공휴일 규제
__6.5.1 전역적 공휴일 규제__
__6.5.2 개별 공휴일 규제__
__07. 성장 모드 조절__
____07-1 선형 성장 적용
____07-2 로지스틱 함수
____07-3 포화 예측 로지스틱 성장 적용
__7.3.1 증가하는 로지스틱 성장__
__7.3.2 변동하는 상한 cap__
__7.3.3 감소하는 로지스틱 성장__
____07-4 플랫 성장 적용
____07-5 커스텀 추세 생성
__08. 추세 변경점 조절__
____08-1 추세 변경점 자동 탐지
__8.1.1 기본(디폴트) 변경점 탐지__
____08-2 변경점 규제
____08-3 커스텀 변경점 위치 설정
__09. 설명 변수 추가__
____09-1 이진값 변수 추가
____09-2 연속형 변수 추가
____09-3 계수의 해석
__10. 이상값과 특별 이벤트__
____10-1 계절성 변동을 초래하는 이상값 수정
____10-2 넓은 불확실성 구간을 초래하는 이상값 수정
____10-3 이상값 자동 탐지
__10.3.1 윈저화__
__10.3.2 표준편차__
__10.3.3 이동평균__
__10.3.4 오차의 표준편차__
____10-4 이상값을 특별 이벤트로 모델링
____10-5 COVID-19 봉쇄 충격 모델링
__11. 불확실성 구간 처리__
____11-1 추세 불확실성 모델링
____11-2 계절성 불확실성 모델링
PART 03 진단과 평가
__12. 교차 검증 실행__
____12-1 k-폴드 교차 검증
____12-2 순방향 연쇄 교차 검증
____12-3 Prophet 교차 검증 데이터프레임 생성
____12-4 병렬 교차 검증
__13. 성능 지표 평가__
____13-1 Prophet 지표의 이해
__13.1.1 MSE__
__13.1.2 RMSE__
__13.1.3 MAE__
__13.1.4 MAPE__
__13.1.5 MdAPE__
__13.1.6 SMAPE__
__13.1.7 커버리지__
__13.1.8 최적 지표 선정__
____13-2 Prophet 성능 지표 데이터프레임 생성
____13-3 불규칙한 컷오프 처리
____13-4 그리드 서치로 하이퍼파라미터 튜닝
__14. Prophet 제품화__
____14-1 모델 저장하기
____14-2 적합 모델 업데이트
____1.. |
| 더보기 |
| 출처 : 알라딘 |
|
저:그렉 래퍼티
그렉 래퍼티(Greg Rafferty)는 샌프란시스코에 있는 구글의 데이터 과학자이다. 10여 년 동안 페이스북(메타), IBM 등에서 일해온 그는 온라인 교육 플랫폼 코세라(Coursera)에서 비즈니스 데이터 분석가로도 활동해 왔고 이를 통해 데이터 과학 및 분석 분야에서 업계 전문가들과 협업을 이끌어내고 있다. MBA 및 공학 학위를 동시에 보유한 그는 데이터 과학 분야에서 전문가 및 일반 사용자 모두와 원활한 커뮤니케이션으로 정평이 높다.
역:임선집
미국 주립대 University of Central Oklahoma에서 MBA, MSBA 학위 및 SAS Enterprise Miner 자격증을 취득했다. 한국인터넷진흥원 조사 분석 팀장을 역임했고 데이터 분석, 챗GPT, 코파일럿, 엑셀, 오렌지3, 파이썬, 파이토치, 트랜스포머, 자연어 처리 과목으로 다수 기업 및 대학에 출강 중이다. 저서로는 『엑셀 데이터 분석 with 챗GPT』, 『오렌지3 데이터 분석 with 파이썬』, 『플로우가 보이는 머신러닝 프로젝트』가 있으며 현재 컴퍼스랩의 Data Analyst 및 한국 열린 사이버 대학 특임 교수로 재직 중이다.
감수:채호창
미국 주립대 University of Central Oklahoma에서 Business Analytics 부교수로 재직 중이다. MSBA 학생들에게 인공지능, 딥러닝을 가르치며 MSBA Course Coordinator로 일하고 있다. University of North Texas에서 Business Computer Information Systems로 박사 학위를 받았다. 정보 기술이 기업 성과에 어떻게 영향을 미치는지를 ERP 시스템 도입, 모바일 앱 등의 실증 연구를 주로 하며, 최근에는 머신러닝, 딥러닝을 이용해서 혁신 기업을 찾는 연구 중이다. 다수의 논문을 MIS Quarterly 등 세계 유력 학술지에 게재했고 2017 Emerald Citations of Excellence상을 받았다.
|
| 더보기 |
| 출처 : 예스24 |
|
Prophet 시계열 데이터 분석 - 그렉 래퍼티 지음, 임선집 옮김, 채호창 감수 Python·R 개발자를 위한 Prophet 실전 가이드. 파라미터 조정 없이도 고품질 예측을 구현하고, 다양한 데이터 예시로 미래를 정밀하게 모델링하는 법을 단계적으로 익힌다. |
| 더보기 |
| 출처 : 알라딘 |
|
|
|
|
