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時間序列預測 版權信息
- ISBN：9787111754466
- 條形碼：9787111754466 ; 978-7-111-75446-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
PYTHON時間序列預測 本書特色
借助Python、深度學習和時間序列數據，你可以預測未來！時間序列預測是一種以時間為中心的數據建模技術，用于識別即將發生的事件。新的Python庫和強大的深度學習工具使準確預測時間序列比以往任何時候都更容易。 本書教你如何從基于時間的數據（例如日志、客戶分析和其他事件流）獲得即時、有意義的預測。作者通過帶注釋的Python代碼全面演示用于時間序列預測的統計和深度學習方法，并通過一些項目（比如預測未來的藥物處方數量）來幫助你鞏固和拓展所學知識，提升預測技能，有效解決實際問題。 本書涵蓋： ·為季節性效應和外部變量創建模型。 ·用多元預測模型來預測多元時間序列。 ·用于大規模數據集的深度學習。 ·自動化預測過程。 本書適合熟悉Python和TensorFlow的數據分析師和數據科學家閱讀。
PYTHON時間序列預測 內容簡介
本書教你如何從基于時間的數據（如日志、客戶分析和其他事件流）中獲得即時、有意義的預測。在這本通俗易懂的書中，作者通過帶有注釋的Python代碼進行全面演示，你將學習用于時間序列預測的統計和深度學習方法。通過跟隨書中的實例鍛煉你的技能，你很快就會準備好建立自己的準確、有洞察力的預測。
PYTHON時間序列預測 目錄
目 錄
譯者序
前 言
致 謝
**部分 時間不等人
第1章 了解時間序列預測 3
1.1 時間序列簡介 4
1.2 時間序列預測概覽 7
1.2.1 設定目標 8
1.2.2 確定預測對象 8
1.2.3 設置預測范圍 8
1.2.4 收集數據 8
1.2.5 開發預測模型 8
1.2.6 部署到生產中 9
1.2.7 監控 9
1.2.8 收集新的數據 9
1.3 時間序列預測與其他回歸任務的
差異 10
1.3.1 時間序列有順序 10
1.3.2 時間序列有時沒有特征 10
1.4 下一步 11
第2章 對未來的簡單預測 12
2.1 定義基線模型 13
2.2 預測歷史均值 14
2.2.1 基線實現準備 15
2.2.2 實現歷史均值基線 16
2.3 預測*后一年的均值 19
2.4 使用*后已知數值進行預測 21
2.5 實現簡單的季節性預測 22
2.6 下一步 23
第3章 來一次隨機游走 25
3.1 隨機游走過程 26
3.2 識別隨機游走 29
3.2.1 平穩性 29
3.2.2 平穩性檢驗 31
3.2.3 自相關函數 34
3.2.4 把它們組合在一起 34
3.2.5 GOOGL是隨機游走嗎 37
3.3 預測隨機游走 39
3.3.1 長期預測 39
3.3.2 預測下一個時間步長 44
3.4 下一步 46
3.5 練習 46
3.5.1 模擬和預測隨機游走 46
3.5.2 預測GOOGL的每日收盤價 47
3.5.3 預測你選擇的股票的每日
收盤價 47
第二部分 使用統計模型進行預測
第4章 移動平均過程建模 51
4.1 定義移動平均過程 52
4.2 預測移動平均過程 57
4.3 下一步 64
4.4 練習 65
4.4.1 模擬MA(2)過程并做預測 65
4.4.2 模擬MA(q)過程并做預測 65
第5章 自回歸過程建模 67
5.1 預測零售店平均每周客流量 67
5.2 定義自回歸過程 69
5.3 求平穩自回歸過程的階數 70
5.4 預測自回歸過程 76
5.5 下一步 82
5.6 練習 82
5.6.1 模擬AR(2)過程并做預測 82
5.6.2 模擬AR(p)過程并做預測 83
第6章 復雜時間序列建模 84
6.1 預測數據中心帶寬使用量 85
6.2 研究自回歸移動平均過程 86
6.3 確定一個平穩的ARMA過程 88
6.4 設計一個通用的建模過程 91
6.4.1 了解AIC 92
6.4.2 使用AIC選擇模型 93
6.4.3 了解殘差分析 95
6.4.4 進行殘差分析 99
6.5 應用通用建模過程 102
6.6 預測帶寬使用情況 108
6.7 下一步 112
6.8 練習 113
6.8.1 對模擬的ARMA(1,1)過程
進行預測 113
6.8.2 模擬ARMA(2,2)過程并
進行預測 113
第7章 非平穩時間序列預測 115
7.1 定義差分自回歸移動平均模型 116
7.2 修改通用建模過程以考慮
非平穩序列 117
7.3 預測一個非平穩時間序列 119
7.4 下一步 125
7.5 練習 126
第8章 考慮季節性 127
8.1 研究SARIMA(p,d,q)(P,D,Q)m
模型 128
8.2 識別時間序列的季節性模式 129
8.3 預測航空公司每月乘客數量 133
8.3.1 使用ARIMA(p,d,q)模型進行
預測 135
8.3.2 使用SARIMA(p,d,q)(P,D,Q)m
模型進行預測 139
8.3.3 比較每種預測方法的性能 142
8.4 下一步 144
8.5 練習 145
第9章 向模型添加外生變量 146
9.1 研究SARIMAX模型 147
9.1.1 探討美國宏觀經濟數據集的
外生變量 148
9.1.2 使用SARIMAX的注意
事項 150
9.2 使用SARIMAX模型預測實際
GDP 151
9.3 下一步 158
9.4 練習 159
第10章 預測多變量時間序列 160
10.1 研究VAR模型 161
10.2 設計VAR(p)建模過程 163
10.3 預測實際可支配收入和實際
消費 164
10.4 下一步 174
10.5 練習 174
10.5.1 使用VARMA模型預測realdpi和realcons 174
10.5.2 使用VARMAX模型預測realdpi和realcons 175
第11章 頂點項目：預測澳大利亞
抗糖尿病藥物處方的數量 176
11.1 導入所需的庫并加載數據 177
11.2 可視化序列及其分量 178
11.3 對數據進行建模 180
11.3.1 進行模型選擇 181
11.3.2 進行殘差分析 183
11.4 預測和評估模型的性能 184
11.5 下一步 187
第三部分 使用深度學習進行大規模預測
第12章 將深度學習引入時間序列
預測 191
12.1 何時使用深度學習進行時間
序列預測 191
12.2 探索不同類型的深度學習
模型 192
12.3 準備應用深度學習進行預測 194
12.3.1 進行數據探
譯者序
前 言
致 謝
**部分 時間不等人
第1章 了解時間序列預測 3
1.1 時間序列簡介 4
1.2 時間序列預測概覽 7
1.2.1 設定目標 8
1.2.2 確定預測對象 8
1.2.3 設置預測范圍 8
1.2.4 收集數據 8
1.2.5 開發預測模型 8
1.2.6 部署到生產中 9
1.2.7 監控 9
1.2.8 收集新的數據 9
1.3 時間序列預測與其他回歸任務的
差異 10
1.3.1 時間序列有順序 10
1.3.2 時間序列有時沒有特征 10
1.4 下一步 11
第2章 對未來的簡單預測 12
2.1 定義基線模型 13
2.2 預測歷史均值 14
2.2.1 基線實現準備 15
2.2.2 實現歷史均值基線 16
2.3 預測*后一年的均值 19
2.4 使用*后已知數值進行預測 21
2.5 實現簡單的季節性預測 22
2.6 下一步 23
第3章 來一次隨機游走 25
3.1 隨機游走過程 26
3.2 識別隨機游走 29
3.2.1 平穩性 29
3.2.2 平穩性檢驗 31
3.2.3 自相關函數 34
3.2.4 把它們組合在一起 34
3.2.5 GOOGL是隨機游走嗎 37
3.3 預測隨機游走 39
3.3.1 長期預測 39
3.3.2 預測下一個時間步長 44
3.4 下一步 46
3.5 練習 46
3.5.1 模擬和預測隨機游走 46
3.5.2 預測GOOGL的每日收盤價 47
3.5.3 預測你選擇的股票的每日
收盤價 47
第二部分 使用統計模型進行預測
第4章 移動平均過程建模 51
4.1 定義移動平均過程 52
4.2 預測移動平均過程 57
4.3 下一步 64
4.4 練習 65
4.4.1 模擬MA(2)過程并做預測 65
4.4.2 模擬MA(q)過程并做預測 65
第5章 自回歸過程建模 67
5.1 預測零售店平均每周客流量 67
5.2 定義自回歸過程 69
5.3 求平穩自回歸過程的階數 70
5.4 預測自回歸過程 76
5.5 下一步 82
5.6 練習 82
5.6.1 模擬AR(2)過程并做預測 82
5.6.2 模擬AR(p)過程并做預測 83
第6章 復雜時間序列建模 84
6.1 預測數據中心帶寬使用量 85
6.2 研究自回歸移動平均過程 86
6.3 確定一個平穩的ARMA過程 88
6.4 設計一個通用的建模過程 91
6.4.1 了解AIC 92
6.4.2 使用AIC選擇模型 93
6.4.3 了解殘差分析 95
6.4.4 進行殘差分析 99
6.5 應用通用建模過程 102
6.6 預測帶寬使用情況 108
6.7 下一步 112
6.8 練習 113
6.8.1 對模擬的ARMA(1,1)過程
進行預測 113
6.8.2 模擬ARMA(2,2)過程并
進行預測 113
第7章 非平穩時間序列預測 115
7.1 定義差分自回歸移動平均模型 116
7.2 修改通用建模過程以考慮
非平穩序列 117
7.3 預測一個非平穩時間序列 119
7.4 下一步 125
7.5 練習 126
第8章 考慮季節性 127
8.1 研究SARIMA(p,d,q)(P,D,Q)m
模型 128
8.2 識別時間序列的季節性模式 129
8.3 預測航空公司每月乘客數量 133
8.3.1 使用ARIMA(p,d,q)模型進行
預測 135
8.3.2 使用SARIMA(p,d,q)(P,D,Q)m
模型進行預測 139
8.3.3 比較每種預測方法的性能 142
8.4 下一步 144
8.5 練習 145
第9章 向模型添加外生變量 146
9.1 研究SARIMAX模型 147
9.1.1 探討美國宏觀經濟數據集的
外生變量 148
9.1.2 使用SARIMAX的注意
事項 150
9.2 使用SARIMAX模型預測實際
GDP 151
9.3 下一步 158
9.4 練習 159
第10章 預測多變量時間序列 160
10.1 研究VAR模型 161
10.2 設計VAR(p)建模過程 163
10.3 預測實際可支配收入和實際
消費 164
10.4 下一步 174
10.5 練習 174
10.5.1 使用VARMA模型預測realdpi和realcons 174
10.5.2 使用VARMAX模型預測realdpi和realcons 175
第11章 頂點項目：預測澳大利亞
抗糖尿病藥物處方的數量 176
11.1 導入所需的庫并加載數據 177
11.2 可視化序列及其分量 178
11.3 對數據進行建模 180
11.3.1 進行模型選擇 181
11.3.2 進行殘差分析 183
11.4 預測和評估模型的性能 184
11.5 下一步 187
第三部分 使用深度學習進行大規模預測
第12章 將深度學習引入時間序列
預測 191
12.1 何時使用深度學習進行時間
序列預測 191
12.2 探索不同類型的深度學習
模型 192
12.3 準備應用深度學習進行預測 194
12.3.1 進行數據探
展開全部
PYTHON時間序列預測 作者簡介
Marco Peixeiro是加拿大一家大銀行的高級數據科學家，自學成才，他特別清楚要想在這個行業發展需要掌握什么職業技能。Marco倡導實踐學習方法，他在Medium博客、free Code Camp數據科學速成課程和Udemy課程都采用了這種方法。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
經典常談
- >
羅曼·羅蘭讀書隨筆-精裝
- >
小考拉的故事-套裝共3冊
- >
李白與唐代文化
- >
唐代進士錄
- >
伯納黛特,你要去哪(2021新版)
- >
中國歷史的瞬間
本類暢銷
