Cantitate/Preț
Produs
Total produse
Vezi coșul
Time Series Forecasting Using Foundation Models de Marco Peixeiro

Time Series Forecasting Using Foundation Models

Autor Marco Peixeiro
en Limba Engleză Hardback – 25 dec 2025

Ecosistemul analizei datelor trece printr-o schimbare de paradigmă, iar Time Series Forecasting Using Foundation Models ne introduce direct în era modelelor pre-antrenate pe miliarde de puncte de date. Găsim în această carte un ghid tehnic riguros care prioritizează eficiența: în loc să antrenăm modele de la zero săptămâni întregi, învățăm să utilizăm biblioteci și arhitecturi moderne precum TimeGPT și Chronos. Autorul Marco Peixeiro aduce expertiza sa directă de la Nixtla, oferind o perspectivă aplicată asupra modului în care modelele de bază pot livra prognoze probabilistice și punctuale de tip zero-shot pe seturi de date personalizate. Credem că structura cărții este ideală pentru inginerii de machine learning care doresc să implementeze rapid soluții de producție. Încă din al doilea capitol, cititorul este ghidat în construirea propriului model de bază la scară mică, demistificând concepte precum transfer learning și fine-tuning. Abordarea diferă de Advanced Forecasting with Python prin concentrarea strictă pe modelele de tip foundation și LLM-uri reprogramate, fiind mult mai puțin axată pe metodele statistice tradiționale sau modelele clasice precum Prophet, și mult mai orientată către scalabilitatea oferită de pre-antrenare. Spre deosebire de Time Series Forecasting in Python, care pune bazele recunoașterii tiparelor sezoniere și a modelelor multivariate clasice, volumul de față accelerează fluxul de lucru prin eliminarea necesității unor resurse computaționale masive. Toate experimentele Python propuse sunt optimizate pentru a rula pe un laptop standard, făcând tehnologia de ultimă oră accesibilă oricărui specialist. Este o resursă esențială pentru cei care vor să integreze cele mai noi progrese din AI în fluxurile de lucru de prognoză, fără complexitatea inutilă a antrenării de modele custom.

Citește tot Restrânge

Preț: 32180 lei

Preț vechi: 40225 lei
-20%

Puncte Express: 483

Carte disponibilă

Livrare economică 26 septembrie-10 octombrie
Livrare express 15-19 septembrie pentru 6091 lei

Livrare prin curier în România Termenul estimat este afișat lângă disponibilitate.
Transport gratuit de la 40000 lei Plată online sau ramburs, în funcție de opțiunile comenzii.
Retur gratuit în 14 zile Comandă securizată și suport în română.
 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781633435896
ISBN-10: 163343589X
Pagini: 256
Dimensiuni: 186 x 233 x 19 mm
Greutate: 0.36 kg
Editura: Manning Publications

De ce să citești această carte

Recomandăm această carte cercetătorilor de date care doresc să sară peste etapa costisitoare a antrenării modelelor și să utilizeze puterea modelelor pre-antrenate. Veți câștiga abilități practice în zero-shot forecasting și fine-tuning folosind TimeGPT și Chronos, totul într-un mediu Python care nu necesită hardware specializat. Este trecerea necesară de la prognoza tradițională la AI-ul generativ aplicat seriilor temporale.

Descriere

Make accurate time series predictions with powerful pretrained foundation models! You don’t need to spend weeks—or even months—coding and training your own models for time series forecasting. Time Series Forecasting Using Foundation Models shows you how to make accurate predictions using flexible pretrained models. In Time Series Forecasting Using Foundation Models you will discover: • The inner workings of large time models • Zero-shot forecasting on custom datasets • Fine-tuning foundation forecasting models • Evaluating large time models Time Series Forecasting Using Foundation Models teaches you how to do efficient forecasting using powerful time series models that have already been pretrained on billions of data points. You’ll appreciate the hands-on examples that show you what you can accomplish with these amazing models. Along the way, you’ll learn how time series foundation models work, how to fine-tune them, and how to use them with your own data. About the book Time Series Forecasting Using Foundation Models takes a practical approach to solving time series problems using pre-trained foundation models. In this easy-to-follow guide, you’ll learn instantly-useful skills like zero-shot forecasting and informing pretrained models with your own data. You’ll put theory into practice immediately as you start building your own small-scale foundation model to illustrate pretraining, transfer learning, and fine-tuning in chapter 2. Next, you’ll dive into cutting-edge models like TimeGPT and Chronos and see how they can deliver zero-shot probabilistic forecasting, point forecasting, and more. You’ll even find out how you can reprogram an LLM into a time-series forecaster. All the Python code and hands-on experiments run on a normal laptop. No high-performance GPU required! About the reader For data scientists and machine learning engineers familiar with the basics of time series forecasting theory. Examples in Python. About the author Marco Peixeiro is a seasoned data science instructor at Data Science with Marco, who works at Nixtla building cutting-edge open-source forecasting Python libraries. He is the author of Time Series Forecasting in Python. Get a free eBook (PDF or ePub) from Manning as well as access to the online liveBook format (and its AI assistant that will answer your questions in any language) when you purchase the print book.

Descriere scurtă

Make accurate time series predictions with powerful pretrained foundation models!

You don’t need to spend weeks—or even months—coding and training your own models for time series forecasting. Time Series Forecasting Using Foundation Models shows you how to make accurate predictions using flexible pretrained models.

In Time Series Forecasting Using Foundation Models you will discover:
  • The inner workings of large time models
  • Zero-shot forecasting on custom datasets
  • Fine-tuning foundation forecasting models
  • Evaluating large time models
Time Series Forecasting Using Foundation Models teaches you how to do efficient forecasting using powerful time series models that have already been pretrained on billions of data points. You’ll appreciate the hands-on examples that show you what you can accomplish with these amazing models. Along the way, you’ll learn how time series foundation models work, how to fine-tune them, and how to use them with your own data.

About the technology

Time-series forecasting is the art of analyzing historical, time-stamped data to predict future outcomes. Foundational time series models like TimeGPT and Chronos, pre-trained on billions of data points, can now effectively augment or replace painstakingly-built custom time-series models.

About the book

Time Series Forecasting Using Foundation Models explores the architecture of large time models and shows you how to use them to generate fast, accurate predictions. You’ll learn to fine-tune time models on your own data, execute zero-shot probabilistic forecasting, point forecasting, and more. You’ll even find out how to reprogram an LLM into a time series forecaster—all following examples that will run on an ordinary laptop.

What's inside
  • How large time models work
  • Zero-shot forecasting on custom datasets
  • Fine-tuning and evaluating foundation models
About the reader

For data scientists and machine learning engineers familiar with the basics of time series forecasting theory. Examples in Python.

About the author

Marco Peixeiro builds cutting-edge open-source forecasting Python libraries at Nixtla. He is the author of Time Series Forecasting in Python.

Table of Contents

Part 1
1 Understanding foundation models
2 Building a foundation model
Part 2
3 Forecasting with TimeGPT
4 Zero-shot probabilistic forecasting with Lag-Llama
5 Learning the language of time with Chronos
6 Moirai: A universal forecasting transformer
7 Deterministic forecasting with TimesFM
Part 3
8 Forecasting as a language task
9 Reprogramming an LLM for forecasting
Part 4
10 Capstone project: Forecasting daily visits to a blog