کتاب رهیافتی بر حل سری های زمانی در نرم افزار R و پایتون

کتاب رهیافتی بر حل سری های زمانی در نرم افزار R و پایتون نوشتهٔ امیرعلی اقتصاد در نشر عطران چاپ شده است.

درباره کتاب رهیافتی بر حل سری های زمانی

امروزه، استفاده از رایانه‌ها برای انجام تحلیل داده‌ها، امری اجتناب ناپذیر است. دهه ۹۰ میلادی تحولاتی باورنکردنی در فناوری رخ داده که آن‌ها می‌توان به اینترنت اشاره کرد که جهان را برای همیشه تغییر داد. همچنین دو زبان برنامه‌نویسی پایتون و آر نیز در همین دهه به دنیا معرفی شد. این دو زبان برنامه‌نویسی به دانشمندان داده قدرت فراوانی را برای عملی کردن مدل‌های ریسک داد و بحث توانایی و تفاوت بین پایتون و آر نیز از آن زمان براه افتاد که البته هنوز هم بعد از گذشت ۳۰ سال ادامه دارد.

زبان‌های برنامه‌نویسی برای انجام عملیات محاسباتی، توسعه یافتند، به طوری که هر روز دارای امکانات بیشتری شده و بروز می‌شوند. در این بین زبان‌های برنامه‌نویسی محاسباتی مانند R و پایتون Python از محبوبیت زیادی برخوردار شدند.

هنگامی که بحث انتخاب یک گزینه برنامه‌نویسی مناسب برای مدل ریسک بعدی مطرح می‌شود، اولین موضوعی که به ذهن خطور می‌کند این است که چقدر خوب می‌شد اگر می‌توانستید به‌سادگی و بدون دردسر ،زبان کدنویسی مناسب برای کار و پژوهش خود را پیدا کنید. اما مزایا و معایب هر کدام از آن‌ها باعث می‌شود تا انتخاب گزینه مناسب پیچیده‌تر از آن چیزی باشد که تصور می‌کنید.همین امر لزوم آشنایی بیشتر با این دو گزینه را مشخص می نماید.

کتاب رهیافتی بر حل سری های زمانی را به چه کسانی پیشنهاد می‌کنیم

این کتاب به علاقه‌مندان به برنامه‌نویسی پیشنهاد می‌شود.

بخشی از کتاب رهیافتی بر حل سری های زمانی

داده های سری زمانی

ارزش و اهمیت مجموعه داده‌ها و انواع مختلف داده به دلیل کاربردهای فراوان بر کسی پوشیده نیست. یکی از مهم‌ترین و پرکاربردترین انواع داده، داده‌های سری زمانی است. مجموعه داده‌هایی وجود دارد که در آنها ویژگی هدف وابسته به زمان است، زیرا با دنباله‌ای از دوره‌های متوالی در طول بعد زمان مرتبط است. در چنین شرایطی گفته می‌شود که مقادیر متغیر هدف نشان دهنده یک سری زمانی است. از این نوع داده به منظور پیش‌بینی استفاده می‌شود در واقع سری زمانی منجر به کشف الگو رفتار داده‌ها درگذشته و پیش بینی رفتار آینده می‌شود.

داده‌های سری زمانی دارای ویژگی‌هایی مثل: حجم بالای داده، ابعاد بالا و بروزرسانی مداوم است؛ علاوه بر این، داده‌های سری زمانی که با ماهیت عددی و پیوسته مشخص می‌شوند و به عنوان یک کل در نظر گرفته می‌شود. افزایش استفاده از داده‌های سری زمانی تلاش‌های تحقیق و توسعه زیادی را در زمینه داده‌کاوی آغاز کرده است.

اخیراً، استفاده روز افزون از داده‌های زمانی باعث افزایش فعالیت‌های تحقیق و توسعه مختلفی در زمینه داده کاوی شده است. به عنوان نمونه‌هایی از سری زمانی می‌توان از ثبت دمای روزانه هوا، مجموع فروش هفتگی یک فروشگاه و قیمت صندوق‌های سرمایه‌گذاری و سهام نام برد. حجم بالای این داده‌ها در طول زمان، برای داده‌کاوی بسیار اهمیت دارد. استخراج الگوها و اطلاعات مفید از دل این حجم اطلاعات اهمیت سری زمانی را نشان می‌دهد.

تعریف سری زمانی

دنباله‌ای از اطلاعات و داده‌ها که در یک بازهٔ زمانی مشخص که مربوط به یک موضوع جمع‌آوری شده‌‌اند، یک سری زمانی را می‌سازند. داده‌های تشکیل‌دهنده سری زمانی نمایانگر تغییرات پدیدهٔ مورد بررسی در طول زمان است؛ بنابراین می‌توانیم داده‌های سری زمانی را، داده‌هایی وابسته به زمان بدانیم. این داده‌ها تغییراتی که پدیده در طول زمان دچار شده را منعکس می‌کنند. بنابراین می‌توانیم این مقدارها را یک بردار وابسته به زمان بدانیم. در این حالت اگر X یک بردار باشد، سری زمانی را می‌توان به صورت زیر نشان داد؛ که در آن t، بیانگر زمان و X نیز یک متغیر تصادفی است.