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.
뉴욕을 중심으로 활동하는 소프트웨어 엔지니어이자 데이터 분석가. 헬스케어 스타트업, 정치 캠페인, 물리 연구 실험, 금융거래 등 다양한 분야에서 시계열을 포함한 여러 데이터를 다뤘다. 현재는 예측 애플리케이션을 위한 신경망을 개발 중이다.
CHAPTER 1 시계열의 개요와 역사1.1 다양한 응용 분야의 시계열 역사1.2 시계열 분석의 도약1.3 통계적 시계열 분석의 기원1.4 머신러닝 시계열 분석의 기원1.5 보충 자료CHAPTER 2 시계열 데이터의 발견 및 다루기2.1 시계열 데이터는 어디서 찾는가2.2 테이블 집합에서 시계열 데이터 집합 개선하기2.3 타임스탬프의 문제점2.4 데이터 정리2.5 계절성 데이터2.6 시간대2.7 사전관찰의 방지2.8 보충 자료CHAPTER 3 시계열의 탐색적 자료 분석3.1 친숙한 방법3.2 시계열에 특화된 탐색법3.3 유용한 시각화3.4 보충 자료CHAPTER 4 시계열 데이터의 시뮬레이션4.1 시계열 시뮬레이션의 특별한 점4.2 코드로 보는 시뮬레이션4.3 시뮬레이션에 대한 마지막 조언4.4 보충 자료CHAPTER 5 시간 데이터 저장5.1 요구 사항 정의5.2 데이터베이스 솔루션5.3 파일 솔루션5.4 보충 자료CHAPTER 6 시계열의 통계 모델6.1 선형회귀를 사용하지 않는 이유6.2 시계열을 위해 개발된 통계 모델6.3 시계열 통계 모델의 장단점6.4 보충 자료CHAPTER 7 시계열의 상태공간 모델7.1 상태공간 모델의 장단점7.2 칼만 필터7.3 은닉 마르코프 모델7.4 베이즈 구조적 시계열7.5 보충 자료CHAPTER 8 시계열 특징의 생성 및 선택8.1 입문자를 위한 예제8.2 특징 계산 시 고려 사항8.3 특징의 발견에 영감을 주는 장소 목록8.4 생성된 특징들 중 일부만 선택하는 방법8.5 마치며8.6 보충 자료CHAPTER 9 시계열을 위한 머신러닝9.1 시계열 분류9.2 클러스터링9.3 보충 자료CHAPTER 10 시계열을 위한 딥러닝10.1 딥러닝 개념10.2 신경망 프로그래밍10.3 학습 파이프라인 만들기10.4 순전파 네트워크10.5 합성곱 신경망10.6 순환 신경망10.7 복합 구조10.8 마치며10.9 보충 자료CHAPTER 11 오차 측정11.1 예측을 테스트하는 기본 방법11.2 예측하기 좋은 시점11.3 시뮬레이션으로 모델의 불확실성 추정11.4 여러 단계를 앞선 예측11.5 모델 검증 시 주의 사항11.6 보충 자료CHAPTER 12 시계열 모델의 학습과 배포에 대한 성능 고려 사항12.1 일반 사례를 위해 만들어진 도구로 작업하기12.2 데이터 스토리지 형식의 장단점12.3 성능 고려 사항에 맞게 분석 수정12.4 보충 자료CHAPTER 13 헬스케어 애플리케이션13.1 독감 예측13.2 혈당치 예측13.3 보충 자료CHAPTER 14 금융 애플리케이션14.1 금융 데이터의 취득과 탐색14.2 딥러닝을 위한 금융 데이터 전처리14.3 RNN의 구축과 학습14.4 보충 자료CHAPTER 15 정부를 위한 시계열15.1 정부 데이터 취득15.2 대규모 시계열 데이터의 탐색15.3 시계열 데이터에 대한 실시간 통계 분석15.4 보충 자료CHAPTER 16 시계열 패키지16.1 대규모 예측16.2 이상 감지16.3 그 밖의 시계열 패키지16.4 보충 자료CHAPTER 17 시계열 예측의 미래 전망17.1 서비스형 예측17.2 딥러닝으로 확률적 가능성 향상17.3 통계적 방법보다 중요성이 더 커진 머신러닝 방법17.4 머신러닝과 통계를 결합한 방법론의 증가17.5 일상으로 스며든 더 많은 예측
