●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時間序列預測的機器學習方法
1.2時間序列預測的監督學習
1.3基於Python的時間序列預測
1.4時間序列預測的實驗設置
1.5總結
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
2.1時間序列預測模板
2.1.1業務理解和性能度量
2.1.2數據攝取
2.1.3數據探索與理解
2.1.4數據預處理和特征工程
2.1.5模型構建和選擇
2.2需求預測建模技術概述
2.2.1模型評估
2.2.2模型部署
2.2.3預測解決方案的接受程度
2.3用例：需求預測
2.4總結
第3章時間序列數據準備
3.1用於時間序列數據的Python庫
3.1.1時間序列的通用數據準備工作
3.1.2時間戳與周期
3.1.3轉換為時間戳
3.1.4提供格式參數
3.1.5索引
3.1.6時間/日期組件
3.1.7頻率轉換
3.2探索與理解時間序列
3.2.1如何開始時間序列數據分析
3.2.2時間序列中缺失值的數據清理
3.2.3歸一化和標準化時間序列數據
3.3時間序列特征工程
3.3.1日期時間特征
3.3.2滯後特征和窗口特征
3.3.3滾動窗口統計信息
3.3.4擴展窗口統計信息
3.4總結
第4章時間序列預測的自回歸和自動方法
4.1自回歸
4.2移動平均
4.3自回歸移動平均
4.4差分自回歸移動平均
4.5自動化機器學習
4.6總結
第5章基於神經網絡的時間序列預測
5.1將深度學習用於時間序列預測的原因
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
5.1.2深度學習支持多個輸入和輸出
5.1.3循環神經網絡擅長從輸入數據中提取模式
5.2基於循環神經網絡的時間序列預測
5.2.1循環神經網絡
5.2.2長短期記憶
5.2.3門控
5.2.4如何為LSTM和GRU準備時間序列數據
5.3如何開發用於時間序列預測的GRU和LSTM
5.3.1Keras
5.3.2TensorFlow
5.3.3單變量模型
5.3.4多變量模型
5.4總結
第6章時間序列預測的模型部署
6.1實驗設置和Python版的Azure機器學習SDK介紹
6.1.1Workspace
6.1.2Experiment
6.1.3Run
6.1.4Model
6.1.5ComputeTarget、RunConfiguration和ScriptRunConfig
6.1.6Image和Webservice
6.2機器學習模型部署
6.3時間序列預測的解決方案體繫結構部署示例
6.3.1訓練並部署ARIMA模型
6.3.2配置工作空間
6.3.3創建實驗
6.3.4創建或連接計算集群
6.3.5上傳數據到Azure
6.3.6創建估算器
6.3.7將工作提交到遠程集群
6.3.8注冊模型
6.3.9部署模型
6.3.10定義輸入腳本和依賴項
6.3.11自動生成模式
6.4總結
參考文獻
當今，時間序列預測在金融、教育和醫療等行業中廣泛使用，同時也在各類商業人士的決策中發揮著重要作用。本書揭開了時間序列預測技術的神秘面紗，為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。本書使用流行的Python工具和庫來解決復雜和重要的業務預測問題，展示了如何使用Python編程語言實現準確和實用的時間序列預測模型。書中詳細介紹了如何獲取和清理數據，如何設計端到端的時間序列預測解決方案，如何理解時間序列預測的一些經典方法，如何將神經網絡結合到預測模型中，以及如何在真實世界中部署時間序列預測模型。本書非常適合有2～3年工作經驗的商業分析師、開發人員和數據科學家閱讀，也適合那些熟悉時間序列預測理論但缺乏實踐經驗的研究人員參考。
