KNIME & fbProphet: Time Series Forecasting with a few clicks

Time series analysis can be very demanding and sometimes you just want to press a button instead of putting too much time and effort into setting up the analysis.

The Facebook Prophet (fbProphet) library is the solution to our problem and we want to implement it as a component in KNIME so that we only have to adjust a few settings and the whole time series analysis is done automatically.

[...]

fbProphet, also simply called Prophet, is a forecasting algorithm developed by Facebook’s data science team in 2017. The algorithm is designed to be scalable, fast, and accurate, making it suitable for a wide range of applications, from predicting sales in e-commerce to forecasting weather patterns.

Leggi tutto l'articolo in inglese: https://medium.com/low-code-for-advanced-data-science/knime-fbprophet-time-series-forecasting-with-a-few-clicks-4d527460ba8e


Approfondisci il modello previsionale fbProphet qui: https://otexts.com/fppit/prophet.html (fonte: Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3)


Se Knime ti segnala degli errori nell'esecuzione di un nodo Python Script ("Execution failed: Could not connect to the Python process"), verifica: 

Se usi Anaconda, puoi installare la maggior parte dei pacchetti da Conda. Da terminale ho dovuto installare solo nomkl (pip install nomkl). Per entrambe le installazioni puoi vedere https://docs.anaconda.com/anacondaorg/user-guide/packages/installing-packages/
A questo punto il nodo dovrebbe funzionare. :)


C'è anche una guida dedicata all'integrazione tra Knime e Python. Si chiama "KNIME Python Integration Guide" (ovviamente) e la trovi qui: https://docs.knime.com/latest/python_installation_guide/index.html#_introduction


Commenti

Posta un commento

Post popolari in questo blog

Building a high-performance data and AI organization - MIT report 2023

«Gli Amministratori Delegati e i Consigli di Amministrazione riconoscono che la capacità della propria organizzazione di generare insight operativi dai dati, spesso in tempo reale, è di massima importanza strategica. Se ci fossero dubbi su questo punto, la corsa accelerata al digitale dei consumatori nell'anno di crisi appena trascorso li ha dissipati. Per aiutarle a diventare orientate ai dati, le aziende stanno sempre più implementando tecnologie avanzate basate su cloud, compresi strumenti analitici con capacità di apprendimento automatico (ML). Tuttavia, ciò che questi strumenti forniscono avrà un valore limitato senza dati abbondanti, di alta qualità e facilmente accessibili. In questo contesto, una gestione efficace dei dati è uno dei pilastri di un'organizzazione orientata ai dati. Ma gestire i dati in un'impresa è altamente complesso. Con l'introduzione di nuove tecnologie dei dati, il peso dei sistemi legacy e dei silos di dati cresce, a meno che non possano es
Continua a leggere

AI Will Transform the Global Economy. Let’s Make Sure It Benefits Humanity. - IFM blog

 In a new analysis, IMF staff examine the potential impact of AI on the global labor market. Many studies have predicted the likelihood that jobs will be replaced by AI. Yet we know that in many cases AI is likely to complement human work. The IMF analysis captures both these forces. The findings are striking: almost 40 percent of global employment is exposed to AI. Historically, automation and information technology have tended to affect routine tasks, but one of the things that sets AI apart is its ability to impact high-skilled jobs. As a result, advanced economies face greater risks from AI—but also more opportunities to leverage its benefits—compared with emerging market and developing economies. In advanced economies, about 60 percent of jobs may be impacted by AI. Roughly half the exposed jobs may benefit from AI integration, enhancing productivity. For the other half, AI applications may execute key tasks currently performed by humans, which could lower labor demand, leading to
Continua a leggere

Dove trovare raccolte di dati (dataset) utilizzabili gratuitamente

Quando si entra nel fantastico mondo dell'analisi dei dati il primo ingrediente che serve sono... i dati. E le raccolte di dati diventano fondamentali anche in seguito quando, ad esempio, si vuole addestrare un modello  di machine learning. In questa pagina annoto i siti dai quali è possibile scaricare gratuitamente e legalmente dataset curati di dati. Chiunque può contribuire segnalandone di nuovi nei commenti Kaggle ha un'intera sezione dedicata ai dataset, che possono essere liberamente scaricati e utilizzati per esercitarsi. Si trovano raccolte di dati di natura diversissima: i modelli di smartphone, con tutte le loro caratteristiche e fascia di prezzo; le raccolte di tweet per addestrare i modelli di machine learning ad indentificare i discorsi di incitamento all'odio e il linguaggio offensivo; le performance degli studenti liceali dei Paesi OECD in matematica, lettura e scienze e così via. Insomma, se hai bisogno di un database per un progetto, molto probabilmente su
Continua a leggere