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
買過本商品的人還買了
時間序列預測:基于機器學習和Python實現 版權信息
- ISBN：9787111697466
- 條形碼：9787111697466 ; 978-7-111-69746-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
時間序列預測:基于機器學習和Python實現 本書特色
本書為沒有或幾乎沒有時間序列或機器學習經驗的讀者提供了創建和評估時間序列模型所需的基本工具。
時間序列預測:基于機器學習和Python實現 內容簡介
本書基于Python這一處理數據功能強大的高級編程語言，在實踐中展示了如何將這些模型應用于真實世界的數據科學場景。Python提供了一系列用于時間序列數據分析的庫，可以針對不同的預測解決方案進行通用化的代碼部署。
時間序列預測:基于機器學習和Python實現 目錄
譯者序
前言
致謝
關于作者
關于技術審閱人
第1章 時間序列預測概述1
1.1 時間序列預測的機器學習方法2
1.2 時間序列預測的監督學習12
1.3 基于Python的時間序列預測19
1.4 時間序列預測的實驗設置22
1.5 總結24
第2章 如何在云上設計一個端到端的時間序列預測解決方案25
2.1 時間序列預測模板25
2.1.1 業務理解和性能度量27
2.1.2 數據攝取30
2.1.3 數據探索與理解33
2.1.4 數據預處理和特征工程34
2.1.5 模型構建和選擇36
2.2 需求預測建模技術概述37
2.2.1 模型評估40
2.2.2 模型部署41
2.2.3 預測解決方案的接受程度47
2.3 用例：需求預測47
2.4 總結51
第3章 時間序列數據準備53
3.1 用于時間序列數據的Python庫53
3.1.1 時間序列的通用數據準備工作56
3.1.2 時間戳與周期58
3.1.3 轉換為時間戳61
3.1.4 提供格式參數62
3.1.5 索引63
3.1.6 時間/日期組件69
3.1.7 頻率轉換70
3.2 探索與理解時間序列72
3.2.1 如何開始時間序列數據分析72
3.2.2 時間序列中缺失值的數據清理77
3.2.3 歸一化和標準化時間序列數據80
3.3 時間序列特征工程83
3.3.1 日期時間特征84
3.3.2 滯后特征和窗口特征85
3.3.3 滾動窗口統計信息90
3.3.4 擴展窗口統計信息92
3.4 總結93
第4章 時間序列預測的自回歸和自動方法94
4.1 自回歸95
4.2 移動平均112
4.3 自回歸移動平均113
4.4 差分自回歸移動平均114
4.5 自動化機器學習121
4.6 總結128
第5章 基于神經網絡的時間序列預測130
5.1 將深度學習用于時間序列預測的原因130
5.1.1 深度學習神經網絡能夠自動從原始數據中學習和提取特征132
5.1.2 深度學習支持多個輸入和輸出133
5.1.3 循環神經網絡擅長從輸入數據中提取模式135
5.2 基于循環神經網絡的時間序列預測136
5.2.1 循環神經網絡137
5.2.2 長短期記憶139
5.2.3 門控循環單元140
5.2.4 如何為LSTM和GRU準備時間序列數據141
5.3 如何開發用于時間序列預測的GRU和LSTM146
5.3.1 Keras147
5.3.2 TensorFlow148
5.3.3 單變量模型149
5.3.4 多變量模型153
5.4 總結157
第6章 時間序列預測的模型部署159
6.1 實驗設置和Python版的Azure機器學習SDK介紹 159
6.1.1 Workspace159
6.1.2 Experiment160
6.1.3 Run160
6.1.4 Model161
6.1.5 ComputeTarget、RunConfiguration和ScriptRunConfig162
6.1.6 Image和Webservice163
6.2 機器學習模型部署 164
6.3 時間序列預測的解決方案體系結構部署示例 168
6.3.1 訓練并部署ARIMA模型 170
6.3.2 配置工作空間 173
6.3.3 創建實驗 175
6.3.4 創建或連接計算集群 175
6.3.5 上傳數據到Azure 176
6.3.6 創建估算器 179
6.3.7 將工作提交到遠程集群180
6.3.8 注冊模型 180
6.3.9 部署模型180
6.3.10 定義輸入腳本和依賴項 182
6.3.11 自動生成模式 182
6.4 總結187
參考文獻189
前言
致謝
關于作者
關于技術審閱人
第1章 時間序列預測概述1
1.1 時間序列預測的機器學習方法2
1.2 時間序列預測的監督學習12
1.3 基于Python的時間序列預測19
1.4 時間序列預測的實驗設置22
1.5 總結24
第2章 如何在云上設計一個端到端的時間序列預測解決方案25
2.1 時間序列預測模板25
2.1.1 業務理解和性能度量27
2.1.2 數據攝取30
2.1.3 數據探索與理解33
2.1.4 數據預處理和特征工程34
2.1.5 模型構建和選擇36
2.2 需求預測建模技術概述37
2.2.1 模型評估40
2.2.2 模型部署41
2.2.3 預測解決方案的接受程度47
2.3 用例：需求預測47
2.4 總結51
第3章 時間序列數據準備53
3.1 用于時間序列數據的Python庫53
3.1.1 時間序列的通用數據準備工作56
3.1.2 時間戳與周期58
3.1.3 轉換為時間戳61
3.1.4 提供格式參數62
3.1.5 索引63
3.1.6 時間/日期組件69
3.1.7 頻率轉換70
3.2 探索與理解時間序列72
3.2.1 如何開始時間序列數據分析72
3.2.2 時間序列中缺失值的數據清理77
3.2.3 歸一化和標準化時間序列數據80
3.3 時間序列特征工程83
3.3.1 日期時間特征84
3.3.2 滯后特征和窗口特征85
3.3.3 滾動窗口統計信息90
3.3.4 擴展窗口統計信息92
3.4 總結93
第4章 時間序列預測的自回歸和自動方法94
4.1 自回歸95
4.2 移動平均112
4.3 自回歸移動平均113
4.4 差分自回歸移動平均114
4.5 自動化機器學習121
4.6 總結128
第5章 基于神經網絡的時間序列預測130
5.1 將深度學習用于時間序列預測的原因130
5.1.1 深度學習神經網絡能夠自動從原始數據中學習和提取特征132
5.1.2 深度學習支持多個輸入和輸出133
5.1.3 循環神經網絡擅長從輸入數據中提取模式135
5.2 基于循環神經網絡的時間序列預測136
5.2.1 循環神經網絡137
5.2.2 長短期記憶139
5.2.3 門控循環單元140
5.2.4 如何為LSTM和GRU準備時間序列數據141
5.3 如何開發用于時間序列預測的GRU和LSTM146
5.3.1 Keras147
5.3.2 TensorFlow148
5.3.3 單變量模型149
5.3.4 多變量模型153
5.4 總結157
第6章 時間序列預測的模型部署159
6.1 實驗設置和Python版的Azure機器學習SDK介紹 159
6.1.1 Workspace159
6.1.2 Experiment160
6.1.3 Run160
6.1.4 Model161
6.1.5 ComputeTarget、RunConfiguration和ScriptRunConfig162
6.1.6 Image和Webservice163
6.2 機器學習模型部署 164
6.3 時間序列預測的解決方案體系結構部署示例 168
6.3.1 訓練并部署ARIMA模型 170
6.3.2 配置工作空間 173
6.3.3 創建實驗 175
6.3.4 創建或連接計算集群 175
6.3.5 上傳數據到Azure 176
6.3.6 創建估算器 179
6.3.7 將工作提交到遠程集群180
6.3.8 注冊模型 180
6.3.9 部署模型180
6.3.10 定義輸入腳本和依賴項 182
6.3.11 自動生成模式 182
6.4 總結187
參考文獻189
展開全部
時間序列預測:基于機器學習和Python實現 作者簡介
弗朗西斯卡·拉澤里博士是大數據技術創新和機器學習實際應用方面的專家，擁有超過十年的學術和行業經驗。她的研究涵蓋機器學習、統計建模、時間序列計量經濟學和預測等領域，以及能源、石油和天然氣、零售、航空航天、醫療和專業服務等行業。她目前在微軟領導一個由云人工智能倡導者和開發者組成的靠前團隊，管理大量客戶，并在云上構建智能自動化解決方案。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
自卑與超越
- >
月亮與六便士
- >
史學評論
- >
月亮虎
- >
羅曼·羅蘭讀書隨筆-精裝
- >
李白與唐代文化
- >
詩經-先民的歌唱
本類暢銷
