了得網計算機/網絡_時間序列預測：基於機器學習和Python實現

內容簡介

本書基於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於真實世界的數據科學場景。Python提供了一繫列用於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。

譯者序
前言
致謝
關於作者
關於技術審閱人
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基於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章如何在雲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譯者序
前言
致謝
關於作者
關於技術審閱人
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基於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章如何在雲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用於時間序列數據的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滯後特征和窗口特征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章基於神經網絡的時間序列預測130
5.1將深度學習用於時間序列預測的原因130
5.1.1深度學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基於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如何開發用於時間序列預測的GRU和LSTM146
5.3.1Keras147
5.3.2TensorFlow148
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
6.1.1Workspace159
6.1.2Experiment160
6.1.3Run160
6.1.4Model161
6.1.5ComputeTarget、RunConfiguration和ScriptRunConfig162
6.1.6Image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繫結構部署示例 168
6.3.1訓練並部署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

時間序列數據是用於不同行業（從營銷和金融到教育、醫療和機器人）未來決策和戰略規劃的重要信息來源。在過去的幾十年裡，基於機器學習模型的預測已經成為私營和公共部門常用的工具。
目前，基於機器學習模型的時間序列預測的資源和教程一般分為兩類：針對特定預測場景的代碼演示，沒有概念上的細節；對預測背後的理論和數學公式的學術性解釋。這兩種方法都非常有助於學習，如果對理解理論假設背後的數學知識有興趣，強烈推薦使用這些資源。
為了解決實際的業務問題，有一個繫統的、結構良好的預測框架是必不可少的，數據科學家可以使用它作為參考，並應用到現實世界的數據科學場景。這本實踐性的書就是這樣做的，它旨在通過一個實用的模型開發框架的核心步驟來引導讀者構建、訓練、評估和部署時間序列預測模型。
本書的部分（第1章和第2章）專門介紹時間序列的概念，包括時間序列的表示、建模和預測的基本方面。
第二部分（第3章到第6章）深入研究預測時間序列數據的自回歸和自動方法，如移動平均、差分自回歸移動平均和時間序列數據的自動化機器學習。然後介紹基於神經網絡的時間序列預測，重點介紹循環神經網絡（RNN）等概念以及不同R的比較。後，將指導讀者完成在Azure上進行模型部署和操作的重要的步驟。時間序列數據是用於不同行業（從營銷和金融到教育、醫療和機器人）未來決策和戰略規劃的重要信息來源。在過去的幾十年裡，基於機器學習模型的預測已經成為私營和公共部門常用的工具。
目前，基於機器學習模型的時間序列預測的資源和教程一般分為兩類：針對特定預測場景的代碼演示，沒有概念上的細節；對預測背後的理論和數學公式的學術性解釋。這兩種方法都非常有助於學習，如果對理解理論假設背後的數學知識有興趣，強烈推薦使用這些資源。
為了解決實際的業務問題，有一個繫統的、結構良好的預測框架是必不可少的，數據科學家可以使用它作為參考，並應用到現實世界的數據科學場景。這本實踐性的書就是這樣做的，它旨在通過一個實用的模型開發框架的核心步驟來引導讀者構建、訓練、評估和部署時間序列預測模型。
本書的部分（第1章和第2章）專門介紹時間序列的概念，包括時間序列的表示、建模和預測的基本方面。
第二部分（第3章到第6章）深入研究預測時間序列數據的自回歸和自動方法，如移動平均、差分自回歸移動平均和時間序列數據的自動化機器學習。然後介紹基於神經網絡的時間序列預測，重點介紹循環神經網絡（RNN）等概念以及不同R的比較。後，將指導讀者完成在Azure上進行模型部署和操作的重要的步驟。
使用各種開源Python包和Azure，書中通過示例展示了如何將時間序列預測模型應用於真實世界的數據科學場景。有了這些指導方針，讀者應該可以在日常工作中處理時間序列數據，並選擇正確的工具來分析時間序列數據。
本書主要內容
本書對基於機器學習和深度學習的時間序列預測的核心概念、術語、方法和應用進行了全面的介紹，了解這些基礎知識可以設計更靈活、更成功的時間序列應用。
本書包括下列各章：
第1章：時間序列預測概述本章專門介紹時間序列的概念，包括時間序列的表示、建模和預測的基本方面，例如時間序列分析和時間序列預測的監督學習。
我們還將了解用於時間序列數據的不同Python庫，以及pandas、statsmodels和scikit-learn之類的庫是如何進行數據處理、時間序列建模和機器學習的。
後，給出有關設置用於時間序列預測的Python環境的一般建議。
第2章：如何在雲上設計一個端到端的時間序列預測解決方案本章旨在通過介紹時間序列預測模板和現實世界的數據科學場景，從實踐和業務角度為時間序列預測提供端到端的繫統指南，本書中將使用它們來展示時間序列的一些概念、步驟和技術。
第3章：時間序列數據準備在本章中，將引導讀者完成為預測模型準備時間序列數據的重要步驟。良好的時間序列數據準備可以產生干淨且經過精心整理的數據，有助於進行更實用、更準確的預測。
Python是一種在處理數據方面功能非常強大的編程語言，它提供了一繫列用於處理時間序列數據的庫，並且對時間序列分析提供了出色的支持，這些庫包括SciPy、NumPy、Matplotlib、pandas、statsmodels和scikit-learn等。
本章還將介紹如何對時間序列數據執行特征工程，要牢記兩個目標：準備與機器學習算法要求相符的正確輸入數據集，並改善機器學習模型的性能。
第4章：時間序列預測的自回歸和自動方法在本章中，將探索一些用於時間序列預測的自回歸方法，它們可以用來測試預測問題。每節提供一個方法，從一個有效的代碼示例入手，並展示了在哪裡可以找到有關該方法的更多信息。
本章還將介紹用於時間序列預測的自動化機器學習，以及如何用這種方法完成模型選擇和超參數調整任務。
第5章：基於神經網絡的時間序列預測在本章中，將討論數據科學家在構建時間序列預測解決方案時想要考慮深度學習的一些實際原因。然後介紹循環神經網絡，並展示如何將幾種類型的循環神經網絡用於時間序列預測。
第6章：時間序列預測的模型部署在後一章中，介紹適用於Python的Azure機器學習SDK，以構建和運行機器學習工作流。本章將概述SDK中的一些重要的類，以及如何使用它們在Azure上構建、訓練和部署機器學習模型。
通過部署機器學習模型，企業可以充分利用所構建的預測和智能模型，轉變為實際的人工智能驅動型企業。
後，展示了如何在Azure上構建端到端的數據管道體繫結構，並提供不同時間序列預測解決方案的通用化部署代碼。
配套下載文件
本書提供了使用Python及其技術庫的大量示例代碼和教程，讀者可以利用它們學習如何解決現實中的時間序列問題。
當學習本書中的示例時，需要用到的項目文件可以從aka.ms/ML4TSFwithPython下載。
每個文件都包含示例Notebooks和數據，可以使用它們來驗證知識、實踐技術以及構建自己的時間序列預測解決方案。

商品搜索

商品分类

【醫學】

【各大出版社】