時間序列預測：基于機器學習和Python實現(xiàn)

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(jiān)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(yè)務理解和性能度量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(shù)據(jù)準備53
3.1　用于時間序列數(shù)據(jù)的Python庫53
3.1.1　時間序列的通用數(shù)據(jù)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(shù)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(shù)據(jù)分析72
3.2.2　時間序列中缺失值的數(shù)據(jù)清理77
3.2.3　歸一化和標準化時間序列數(shù)據(jù)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(tǒng)計信息90
3.3.4　擴展窗口統(tǒng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡能夠自動從原始數(shù)據(jù)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(huán)神經(jīng)網(wǎng)絡擅長從輸入數(shù)據(jù)中提取模式135
5.2　基于循環(huán)神經(jīng)網(wǎng)絡的時間序列預測136
5.2.1　循環(huán)神經(jīng)網(wǎng)絡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準備時間序列數(shù)據(jù)141
5.3　如何開發(fā)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(chuàng)建實驗 175
6.3.4　創(chuàng)建或連接計算集群 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