中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Python預測之美:數據分析與算法實戰 版權信息
- ISBN：9787121390418
- 條形碼：9787121390418 ; 978-7-121-39041-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
Python預測之美:數據分析與算法實戰 本書特色
適讀人群 ：1、對預測專題感興趣的朋友 2、數據分析、數據挖掘、機器學習、人工智能方向的從業者 3、大學相關專業的老師和學生預測基礎：預測概念理解、預測方法論、分析方法、特征技術、模型優化及評價 預測算法：多元回歸分析、復雜回歸分析、時間序列及進階算法 預測案例：短期日負荷曲線預測、股票價格預測
Python預測之美:數據分析與算法實戰 內容簡介
Python 是一種面向對象的腳本語言，其代碼簡潔優美，類庫豐富，開發效率也很高，得到越來越多開發者的喜愛，廣泛應用于Web 開發、網絡編程、爬蟲開發、自動化運維、云計算、人工智能、科學計算等領域。預測技術在當今智能分析及其應用領域中發揮著重要作用，也是大數據時代的核心價值所在。隨著AI 技術的進一步深化，預測技術將更好地支撐復雜場景下的預測需求，其商業價值不言而喻。基于Python 來做預測，不僅能夠在業務上快速落地，還讓代碼維護更加方便。對預測原理的深度剖析和算法的細致解讀，是本書的一大亮點。本書共分為3 篇。 篇介紹預測基礎，主要包括預測概念理解、預測方法論、分析方法、特征技術、模型優化及評價，讀者通過這部分內容的學習，可以掌握預測的基本步驟和方法思路。第2 篇介紹預測算法，該部分包含多元回歸分析、復雜回歸分析、時間序列及進階算法，內容比較有難度，需要細心品味。第3 篇介紹預測案例，包括短期日負荷曲線預測和股票價格預測兩個實例，讀者可以了解到實施預測時需要關注的技術細節。希望讀者在看完本書后，能夠將本書的精要融會貫通，進一步在工作和學習實踐中提煉價值。
Python預測之美:數據分析與算法實戰 目錄
第1 篇 預測入門
第1 章 認識預測 ． 2
1．1 什么是預測 ． 2
1．1．1 占卜術 ． 3
1．1．2 神秘的地動儀 ． 3
1．1．3 科學預測 ． 5
1．1．4 預測的原則 ． 7
1．2 前沿技術 ． 9
1．2．1 大數據與預測 ． 10
1．2．2 大數據預測的特點 11
1．2．3 人工智能與預測 ． 15
1．2．4 人工智能預測的特點 ． 17
1．2．5 典型預測案例 ． 18
1．3 Python 預測初步 ． 26
1．3．1 數據預處理 ． 27
1．3．2 建立模型 ． 31
1．3．3 預測及誤差分析 ． 34
第2 章 預測方法論 ． 37
2．1 預測流程 ． 37
2．1．1 確定主題 ． 38
2．1．2 收集數據 ． 40
2．1．3 選擇方法 ． 42
2．1．4 分析規律 ． 43
2．1．5 建立模型 ． 48
2．1．6 評估效果 ． 51
2．1．7 發布模型 ． 52
2．2 指導原則 ． 53
2．2．1 界定問題 ． 53
2．2．2 判斷預測法 ． 55
2．2．3 外推預測法 ． 56
2．2．4 因果預測法 ． 58
2．3 團隊構成 ． 59
2．3．1 成員分類 ． 59
2．3．2 數據氛圍 ． 61
2．3．3 團隊合作 ． 63
第3 章 探索規律 ． 65
3．1 相關分析 ． 65
3．1．1 自相關分析 ． 65
3．1．2 偏相關分析 ． 68
3．1．3 簡單相關分析 ． 69
3．1．4 互相關分析 ． 80
3．1．5 典型相關分析 ． 82
3．2 因果分析 ． 87
3．2．1 什么是因果推斷 ． 87
3．2．2 因果推斷的方法 ． 90
3．2．3 時序因果推斷 ． 93
3．3 聚類分析 ． 98
3．3．1 K-Means 算法 ． 98
3．3．2 系統聚類算法 ． 102
3．4 關聯分析 110
3．4．1 關聯規則挖掘 110
3．4．2 Apriori 算法 ． 111
3．4．3 Eclat 算法 120
3．4．4 序列模式挖掘 ． 123
3．4．5 SPADE 算法 124
第4 章 特征工程 ． 136
4．1 特征變換 ． 136
4．1．1 概念分層 ． 137
4．1．2 標準化 ． 138
4．1．3 離散化 ． 141
4．1．4 函數變換 ． 143
4．1．5 深入表達 ． 144
4．2 特征組合 ． 145
4．2．1 基于經驗 ． 145
4．2．2 二元組合 ． 146
4．2．3 高階多項式 ． 148
4．3 特征評價 ． 151
4．3．1 特征初選 ． 151
4．3．2 影響評價 ． 152
4．3．3 模型法 ． 167
4．4 特征學習 ． 172
4．4．1 基本思路 ． 173
4．4．2 特征表達式 ． 174
4．4．3 初始種群 ． 183
4．4．4 適應度 ． 185
4．4．5 遺傳行為 ． 187
4．4．6 實例分析 ． 192
第2 篇 預測算法
第5 章 參數優化 ． 199
5．1 交叉驗證 ． 199
5．2 網格搜索 ． 201
5．3 遺傳算法 ． 203
5．3．1 基本概念 ． 203
5．3．2 遺傳算法算例 ． 204
5．3．3 遺傳算法實現步驟 ． 209
5．3．4 遺傳算法Python 實現 210
5．4 粒子群優化 ． 213
5．4．1 基本概念及原理 ． 213
5．4．2 粒子群算法的實現步驟 ． 214
5．4．3 用Python 實現粒子群算法 215
5．5 模擬退火 ． 220
5．5．1 基本概念及原理 ． 220
5．5．2 模擬退火算法的實現步驟 ． 221
5．5．3 模擬退火算法Python 實現 222
第6 章 線性回歸及其優化 226
6．1 多元線性回歸 ． 226
6．1．1 回歸模型與基本假定 ． 226
6．1．2 *小二乘估計 ． 227
6．1．3 回歸方程和回歸系數的顯著性檢驗 ． 228
6．1．4 多重共線性 ． 229
6．2 Ridge 回歸 233
6．2．1 基本概念 ． 233
6．2．2 嶺跡曲線 ． 233
6．2．3 基于GCV 準則確定嶺參數 ． 235
6．2．4 Ridge 回歸的Python 實現 ． 237
6．3 Lasso 回歸 ． 237
6．3．1 基本概念 ． 237
6．3．2 使用LAR 算法求解Lasso ． 238
6．3．3 Lasso 算法的Python 實現 ． 240
6．4 分位數回歸 ． 242
6．4．1 基本概念 ． 242
6．4．2 分位數回歸的計算 ． 245
6．4．3 用單純形法求解分位數回歸及Python 實現 246
6．5 穩健回歸 ． 248
6．5．1 基本概念 ． 249
6．5．2 M 估計法及Python 實現 ． 250
第7 章 復雜回歸分析 ． 254
7．1 梯度提升回歸樹（GBRT） ． 254
7．1．1 Boosting 方法簡介 254
7．1．2 AdaBoost 算法 255
7．1．3 提升回歸樹算法 ． 257
7．1．4 梯度提升 ． 259
7．1．5 GBRT 算法的Python 實現 261
7．2 深度神經網絡 ． 264
7．2．1 基本概念 ． 264
7．2．2 從線性回歸說起 ． 269
7．2．3 淺層神經網絡 ． 272
7．2．4 深層次擬合問題 ． 277
7．2．5 DNN 的Python 實現 278
7．3 支持向量機回歸 ． 281
7．3．1 基本問題 ． 281
7．3．2 LS-SVMR 算法 ． 284
7．3．3 LS-SVMR 算法的Python 實現 ． 285
7．4 高斯過程回歸 ． 286
7．4．1 GPR 算法 287
7．4．2 GPR 算法的Python 實現 ． 289
第8 章 時間序列分析 ． 292
8．1 Box-Jenkins 方法 292
8．1．1 p 階自回歸模型 293
8．1．2 q 階移動平均模型 295
8．1．3 自回歸移動平均模型 ． 296
8．1．4 ARIMA 模型 ． 300
8．1．5 ARIMA 模型的Python 實現 ． 301
8．2 門限自回歸模型 ． 309
8．2．1 TAR 模型的基本原理 309
8．2．2 TAR 模型的Python 實現 ． 310
8．3 GARCH 模型族 313
8．3．1 線性ARCH 模型 313
8．3．2 GRACH 模型 315
8．3．3 EGARCH 模型 ． 315
8．3．4 PowerARCH 模型 ． 316
8．4 向量自回歸模型 ． 318
8．4．1 VAR 模型基本原理 318
8．4．2 VAR 模型的Python 實現 ． 320
8．5 卡爾曼濾波 ． 324
8．5．1 卡爾曼濾波算法介紹 ． 324
8．5．2 卡爾曼濾波的Python 實現 326
8．6 循環神經網絡 ． 328
8．6．1 RNN 的基本原理 329
8．6．2 RNN 算法的Python 實現 332
8．7 長短期記憶網絡 ． 335
8．7．1 LSTM 模型的基本原理 ． 336
8．7．2 LSTM 算法的Python 實現 341
第3 篇 預測應用
第9 章 短期日負荷曲線預測 ． 345
9．1 電力行業負荷預測介紹 ． 345
9．2 短期日負荷曲線預測的基本要求 ． 346
9．3 預測建模準備 ． 347
9．3．1 基礎數據采集 ． 347
9．3．2 缺失數據處理 ． 349
9．3．3 潛在規律分析 ． 352
9．4 基于DNN 算法的預測 355
9．4．1 數據要求 ． 356
9．4．2 數據預處理 ． 356
9．4．3 網絡結構設計 ． 357
9．4．4 建立模型 ． 358
9．4．5 預測實現 ． 359
9．4．6 效果評估 ． 359
9．5 基于LSTM 算法的預測 361
9．5．1 數據要求 ． 361
9．5．2 數據預處理 ． 362
9．5．3 網絡結構設計 ． 362
9．5．4 建立模型 ． 363
9．5．5 預測實現 ． 364
9．5．6 效果評估 ． 364
第10 章 股票價格預測 ． 367
10．1 股票市場簡介 ． 367
10．2 獲取股票數據 ． 368
10．3 基于VAR 算法的預測 ． 371
10．3．1 平穩性檢驗 ． 371
10．3．2 VAR 模型定階 372
10．3．3 預測及效果驗證 ． 373
10．4 基于LSTM 算法的預測． 375
10．4．1 數據要求 ． 375
10．4．2 數據預處理 ． 376
10．4．3 網絡結構設計 ． 377
10．4．4 建立模型 ． 377
10．4．5 預測實現 ． 378
10．4．6 效果評估 ． 378
參考文獻 ． 381
展開全部
Python預測之美:數據分析與算法實戰 作者簡介
游皓麟，大數據分析、數據挖掘專家，高級培訓講師。畢業于東南大學，從事大數據相關領域工作8年有余，專注大數據架構、機器學習、數據挖掘、NLP、知識圖譜等領域的方案設計、算法研究與工程實現。在游戲、互聯網、電信、電力、軍工等行業具有豐富的工程實踐經驗，多次作為特邀嘉賓參加行業會議并發表主題演講，著有《R語言預測實戰》等多本書籍。
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
朝聞道
- >
我與地壇
- >
我從未如此眷戀人間
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
回憶愛瑪儂
- >
巴金－再思錄
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
