Overview do livro
No 2025.1 ministrarei Séries Temporais para os alunos da graduação em Estatística do IMECC/UNICAMP de novo. É a segunda vez que ministrarei a disciplina e, tentando trazer um novo olhar para ela, resolvi ler um livro mais mão na massa.
O autor do livro é bastante ativo no linkedIn, o que me motivou a ler o livro que, por sinal, é editado pela Packt, uma editora que tem vários livros do estilo mão na massa.
Comentários gerais
O livro conta com 12 capítulos curtos, o que facilita bastante o acompanhamento da leitura. Além disso, os códigos fornecidos ao longo do conteúdo, juntamente com os comentários nas análises exploratórias, são extremamente úteis e valiosos para quem trabalha com séries temporais no cotidiano.
Ao contrário da revisão de outro livro prático que fiz há algum tempo, gostei muito mais da leitura de Hands-On Time Series Analysis with R do @krispin2019. Embora o livro apresente alguns pequenos erros de digitação, eles são facilmente identificáveis e não comprometem nem a leitura nem a compreensão dos conceitos abordados.
Prós
- O livro disponibiliza os códigos em um repositório público, o que facilita ainda mais o aprendizado prático.
- Está repleto de comentários valiosos, que refletem a experiência de quem realmente trabalha na área e sabe utilizar o
Rde maneira eficaz. - Os capítulos são curtos e objetivos, o que facilita terminar a leitura sem interromper o fluxo, perfeito para concluir “antes de dormir”.
- O autor aborda temas abrangentes que, com exceção do último capítulo, estão alinhados com a ementa de um curso de séries temporais de nível graduação.
- Uma das boas surpresas do livro é a introdução ao pacote
h2o, uma excelente ferramenta para trabalhar com aprendizado de máquina, além de exemplos práticos de como aplicá-lo a séries temporais. - Os primeiros 10 capítulos são muito bons, abordando os tópicos de maneira direta e com comentários práticos que realmente agregam ao aprendizado.
Contras
- O livro utiliza exclusivamente códigos em R (e eu sou fã do
R, mas reconheço que muitos “Pythonicos” podem sentir falta de exemplos em Python). - A diferença dos 10 primeiros capítulos, eu não gostei muito do capítulo 11 (ARIMA). Ele não é ruim, mas achei prático demais para meu gosto. Por exemplo, ele não discute o possível problema de cancelamento de raizes em modelo ARMA, um tema que eu considero importante.
- O último capítulo, que trata de aprendizado de máquina, é mais um case prático. O autor deixa claro que o objetivo não é aprofundar-se nos métodos de aprendizado de máquina, mas sim demonstrar como são aplicados em séries temporais. No entanto, senti falta de mais detalhes, especialmente porque esse é um tema pouco explorado em livros-texto sobre séries temporais.
Conclusão
De maneira geral, gostei bastante do livro e acabei utilizando vários dos códigos e comentários presentes nele nas minhas próprias notas de aula. Inclusive, decidi incluí-lo como referência bibliográfica complementar na ementa da disciplina.
Caso queira saber mais acerca do curso que ministrarei, pode ver a informação aqui.
Bônus
O Canal Data Scientist Show fez uma entrevista de 1.5 horas ao Rami Krispin (autor do livro), segue o link para os interessados: youtube.com/watch?v=eHSJA_lej4c.