Time Series Forecasting using Machine Learning
Case Studies with R and iForecast
-
12% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 149.79
-
63 226 Ft (60 215 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 12% (cc. 7 587 Ft off)
- Kedvezményes ár 55 639 Ft (52 989 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
63 226 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Springer Nature Switzerland
- Megjelenés dátuma 2025. szeptember 11.
- Kötetek száma 1 pieces, Book
- ISBN 9783031979453
- Kötéstípus Keménykötés
- Terjedelem131 oldal
- Méret 235x155 mm
- Nyelv angol
- Illusztrációk IX, 131 p. 89 illus., 72 illus. in color. Illustrations, black & white 700
Kategóriák
Hosszú leírás:
"
This book uses R package, iForecast, to conduct financial economic time series forecasting with machine learning methods, especially the generation of dynamic forecasts out-of-sample. Machine learning methods cover enet, random forecast, gbm, and autoML etc., including binary economic time series. The book explains the problem about the generation of recursive forecasts in machine learning framework, under which, there are no covariates, namely, input (independent) variables. This case is pretty common in real decision environment, for example, the decision-making wants 6-month forecasts in the real future, under which there are no covariates available; therefore, practitioners use recursive or multistep, forecasts. Besides macro-econometric modelling which uses VAR (vector autoregression) to overcome the problem of multivariate regression, this book offers a Machine-Learning VAR routine, which is found to improve the performance of multistep forecasting.
" TöbbTartalomjegyzék:
Preface.- Chapter 1 Time Series Basics in R.- Chapter 2 Predictive Time Series Modelling.- Chapter 3 Forecasting using Machine Learning Methods.- Chapter 4 Special Topics.- Chapter 5 Predictive Case Studies— Training by Rolling.- References.
Több
