Book Review: Practical Time Series Analysis–Prediction with Statistics and Machine Learning

Minhas impressões do livro “Practical Time Series Analysis–Prediction with Statistics and Machine Learning” da Aileen Nielsen

Overview do livro

No 2023.1 ministraterei Séries Temporais para os alunos de graduação em Estatística do IMECC/UNICAMP. Assim, pensando em como preparar um material atualizado e atraente para os alunos, resolvi ler algumas referências bibliográficas diferentes às que já estou acostumado, referências não tão tradicionais, começando por Nielsen (2019).

Escolhi começar com Nielsen (2019) por ser um livro moderno, popular entre analistas e cientistas de dados, ter uma versão em português e disponibilizar os códigos do proprio livro neste repositório.

Comentários gerais

O livro tem 17 capítulos, a leitura é fácil e rápida (a versão em portugues tem alguns paragrafos confussos, mas pode ser coisa da tradução). Embora a tabela de conteudo do livro seja bem abrangente, em geral eu não gostei muito do livro, mas tem alguns pontos positivos interessante que descrevo a seguir.

Prós

• O livro fornece os códigos em um repositório público, o que torna o aprendizado mais fácil.
• Todos os capítulos tem referências para leituras mais avançadas de forma que o leitor pode se aprofundar o quanto quiser em cada um dos tópicos.
• A autora utiliza ambos R e Python, tornamdo-se em uma alternativa interessante para todo tipo de usuário.
• O capítulo 1 é um dos meus favoritos, você fica bem motivado e com vontade de ler os outros capítulos do livro, bem como aprender mais de séries temporais.
• O capítulo 10 aborda redes neurais, um tópico pouco abordado por livros mais clássicos (embora a teoria que suporte o uso de redes neurais em séries temporais seja bem insipiente ainda), vale a pena a leitura.
• O capítulo 11 discute como avaliar a performance do modelo. Embora seja apresentado de forma introdutoria, achei interessante dedicar um capítulo para isso. Além do mais, o leitor interessado pode se aprofundar mais no assunto lendo outras fontes e mesmo se não quiser se aprofundar terá uma noção de como avaliar os modelos.

Contras

• Embora o livro tenha um conteudo aparentemente bem abrangente, ele não aprofunda nos temas o suficiente (principalmente na parte de modelagem) como para termos um conhecimento básico em séries temporais.
• Ao terminar o livro, você não terá uma bagagem suficiente para poder escolher corretamente qual modelo utilzar (mas sabera como rodar os modelos em R e/ou Python).
• O livro investe muito tempo na preparação dos dados (sendo algumas coisas obvias até) e pouco tempo na parte de modelagem (apenas 4 capítulos e os temas são abordados de forma bastante introdutória).
• Alguns capítulos dão detalhe demais acerca dos códigos, detalhes que apenas lendo o próprio código são fáceis de entender.
• O livro mistura conceitos básicos com conceitos mais avançados (cadeia de Markov, volatilidade, etc) mas não tenho certeza se alguém iniciante sabera entender os conceitos mais avançados (mesmo que a autora explique brevemente os novos conceitos).
• Não todos os exemplos estão em ambas as linguagens, algumas vezes é utilizado apenas R e outras apenas Python.

Conclusão

Eu fui atrás do livro pensando incluir ele na bibliografia da minha disciplina, mas após ter lido ele todo não o incluirei. O livro não aborda os temas com a profundidade necessária (pelo menos não para alunos de estatística) mas é uma fonte interessante para ver código.

Acho que o livro pode ser util para um leitor com conhecimento básico que queria lembrar alguns conceitos e ter uma noção dos avanços em Machine Learning, Deep Learning e pre-processamento de dados. Por outro lado, um usuário intermediário ou avançado achara o livro repetitivo.

Caso queira saber mais acerca do curso que ministrarei, pode ver a informação aqui.