時(shí)間序列預(yù)測：基于機(jī)器學(xué)習(xí)和Python實(shí)現(xiàn)

譯者序
前言
致謝
關(guān)于作者
關(guān)于技術(shù)審閱人
第1章　時(shí)間序列預(yù)測概述1
1.1　時(shí)間序列預(yù)測的機(jī)器學(xué)習(xí)方法2
1.2　時(shí)間序列預(yù)測的監(jiān)督學(xué)習(xí)12
1.3　基于Python的時(shí)間序列預(yù)測19
1.4　時(shí)間序列預(yù)測的實(shí)驗(yàn)設(shè)置22
1.5　總結(jié)24
第2章　如何在云上設(shè)計(jì)一個(gè)端到端的時(shí)間序列預(yù)測解決方案25
2.1　時(shí)間序列預(yù)測模板25
2.1.1　業(yè)務(wù)理解和性能度量27
2.1.2　數(shù)據(jù)攝取30
2.1.3　數(shù)據(jù)探索與理解33
2.1.4　數(shù)據(jù)預(yù)處理和特征工程34
2.1.5　模型構(gòu)建和選擇36
2.2　需求預(yù)測建模技術(shù)概述37
2.2.1　模型評估40
2.2.2　模型部署41
2.2.3　預(yù)測解決方案的接受程度47
2.3　用例：需求預(yù)測47
2.4　總結(jié)51
第3章　時(shí)間序列數(shù)據(jù)準(zhǔn)備53
3.1　用于時(shí)間序列數(shù)據(jù)的Python庫53
3.1.1　時(shí)間序列的通用數(shù)據(jù)準(zhǔn)備工作56
3.1.2　時(shí)間戳與周期58
3.1.3　轉(zhuǎn)換為時(shí)間戳61
3.1.4　提供格式參數(shù)62
3.1.5　索引63
3.1.6　時(shí)間/日期組件69
3.1.7　頻率轉(zhuǎn)換70
3.2　探索與理解時(shí)間序列72
3.2.1　如何開始時(shí)間序列數(shù)據(jù)分析72
3.2.2　時(shí)間序列中缺失值的數(shù)據(jù)清理77
3.2.3　歸一化和標(biāo)準(zhǔn)化時(shí)間序列數(shù)據(jù)80
3.3　時(shí)間序列特征工程83
3.3.1　日期時(shí)間特征84
3.3.2　滯后特征和窗口特征85
3.3.3　滾動(dòng)窗口統(tǒng)計(jì)信息90
3.3.4　擴(kuò)展窗口統(tǒng)計(jì)信息92
3.4　總結(jié)93
第4章　時(shí)間序列預(yù)測的自回歸和自動(dòng)方法94
4.1　自回歸95
4.2　移動(dòng)平均112
4.3　自回歸移動(dòng)平均113
4.4　差分自回歸移動(dòng)平均114
4.5　自動(dòng)化機(jī)器學(xué)習(xí)121
4.6　總結(jié)128
第5章　基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測130
5.1　將深度學(xué)習(xí)用于時(shí)間序列預(yù)測的原因130
5.1.1　深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)從原始數(shù)據(jù)中學(xué)習(xí)和提取特征132
5.1.2　深度學(xué)習(xí)支持多個(gè)輸入和輸出133
5.1.3　循環(huán)神經(jīng)網(wǎng)絡(luò)擅長從輸入數(shù)據(jù)中提取模式135
5.2　基于循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測136
5.2.1　循環(huán)神經(jīng)網(wǎng)絡(luò)137
5.2.2　長短期記憶139
5.2.3　門控循環(huán)單元140
5.2.4　如何為LSTM和GRU準(zhǔn)備時(shí)間序列數(shù)據(jù)141
5.3　如何開發(fā)用于時(shí)間序列預(yù)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(jié)157
第6章　時(shí)間序列預(yù)測的模型部署159
6.1　實(shí)驗(yàn)設(shè)置和Python版的Azure機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)模型部署 164
6.3　時(shí)間序列預(yù)測的解決方案體系結(jié)構(gòu)部署示例 168
6.3.1　訓(xùn)練并部署ARIMA模型 170
6.3.2　配置工作空間 173
6.3.3　創(chuàng)建實(shí)驗(yàn) 175
6.3.4　創(chuàng)建或連接計(jì)算集群 175
6.3.5　上傳數(shù)據(jù)到Azure 176
6.3.6　創(chuàng)建估算器 179
6.3.7　將工作提交到遠(yuǎn)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(xiàng) 182
6.3.11　自動(dòng)生成模式 182
6.4　總結(jié)187
參考文獻(xiàn)189