Séries temporais com Prophet: Análise e previsão de dados com Python

by Allan Spadini, Valquíria Alencar

Overview

Você já pensou em prever algum comportamento futuro? Quando analisamos dados que são colhidos sequencialmente durante um intervalo de tempo, é possível extrair estatísticas significativas para prever situações futuras. Quando fazemos isso, estamos trabalhando com Séries Temporais. Seus métodos de análise podem ser aplicados nas mais diversas áreas, como o mercado financeiro, meteorologia, vendas, marketing e até mesmo número de casos de uma doença. Neste livro, Allan Spadini e Valquíria Alencar mostram como trabalhar com séries temporais utilizando Prophet, uma biblioteca personalizável e intuitiva desenvolvida pelo Facebook. Com ela, você poderá modelar, treinar e testar um modelo de machine learning em um conjunto de dados para produzir previsões de alta qualidade. Por meio de um projeto prático, você vai aprender como aplicar conceitos de tendência, changepoints, sazonalidade, outliers, hiperparâmetros e validação-cruzada em qualquer situação que envolva uma ou mais variáveis dependentes do tempo.

Product Details

ISBN-13:	9788555193125
Publisher:	Casa do Código
Publication date:	08/25/2022
Sold by:	Bookwire
Format:	eBook
Pages:	142
File size:	10 MB
Language:	Portuguese

About the Author

Valquíria Alencar é bióloga, Mestra e Doutora em Biotecnologia Aplicada a Recursos Naturais e Agronegócio pela Universidade de Mogi das Cruzes (UMC). Atuou desde 2008 na pesquisa acadêmica dentro da área de Microbiologia, com ênfase em Biologia Molecular e Genômica. Então, apresenta um amplo conhecimento das técnicas comumente empregadas em Bioinformática, Genômica estrutural e Genômica funcional. Foi Pesquisadora Colaboradora, no programa de Biossistemas da UFABC (Universidade Federal do ABC) no período de 2018-2021. Sua paixão por analisar dados e obter insights a partir deles fizeram com que ela fizesse a migração de carreira para área de Data Science. Atualmente, está atuando em programação e Ciência de Dados, desenvolvendo projetos que envolvem pré-processamento e análise exploratória de dados, previsões de séries temporais, aplicação de modelos de Machine Learning e Big Data. Desde 2021 é Docente em tempo integral no Grupo Alura nos cursos de Data Science. É apaixonada por aprender coisas novas e resolver problemas com soluções criativas. Allan Segovia-Spadini é geofísico, mestre e doutor em Ciências na área de Geofísica Aplicada pela Universidade de São Paulo com período sanduíche no doutorado na Universidade de Tecnologia de Delft. Possui experiência profissional como geofísico na empresa GPR-Geoscience onde atuou nas áreas de pesquisas geológicas e geotécnicas com métodos geofísicos do tipo sísmicos, elétricos e eletromagnéticos. No mestrado, desenvolveu pesquisa relacionada ao processamento de sinais sísmicos e melhoria de resolução através de deconvolução. No doutorado, desenvolveu pesquisa voltada para a inversão de dados sísmicos. A ênfase foi na tomografia sísmica através da inversão de forma de onda completa. Atua principalmente nos seguintes temas: métodos sísmicos, tomografia, inversão, machine learning, deep learning, métodos de otimização, deconvolução, estimativa da forma de onda, análise de velocidades, processamento de sinais e imagens. Trabalhou como instrutor na área de Ciência de Dados na Alura e atualmente é coordenador de ensino de graduação também na área de dados no Grupo Alura.

Table of Contents

1 Pré-processamento de séries temporais 1.1 O que são séries temporais? 1.2 Análise preliminar dos dados 1.3 Visualização dos dados 2 Prophet 2.1 Primeiras previsões 2.2 Interpretando o DataFrame de previsão 2.3 Compreendendo gráficos das componentes 2.4 Adicionando período de previsão 3 Aprofundando nas previsões 3.1 Previsão de crescimento 3.2 Changepoints 4 Sazonalidade 4.1 Sazonalidade aditiva x Sazonalidade multiplicativa 4.2 Ajustando a flexibilidade da sazonalidade 4.3 Série de Fourier para sazonalidades 4.4 Especificando sazonalidades personalizadas 5 Outliers 5.1 Tratamento de outliers 5.2 Intervalos de confiança 6 Validação e métricas de performance 6.1 Validação cruzada 6.2 Métricas de Performance 7 Hiperparâmetros 7.1 Parâmetros que podem ser ajustados 7.2 Parâmetros que talvez podem ser ajustados 7.3 Parâmetros que provavelmente não seriam ajustados 7.4 Ajustando hiperparâmetros com Grid Search 8 Gráficos interativos com Plotly 8.1 Gráfico interativo da previsão 8.2 Gráfico interativo das componentes 8.3 Gráfico interativo da sazonalidade 9 Modelagem de feriados e eventos especiais 9.1 Consultando o preço de ações 9.2 Feriados 9.3 Datas customizadas 9.4 Importância individual dos eventos 9.5 Gráficos de velas 10 Múltiplos regressores 10.1 Novos dados de temperatura 10.2 Mensagem final