| FindBook |
|
有 1 項符合
翟世臣的圖書 |
 |
$ 673 | Python時間序列預測
作者：（加）馬可·佩塞羅 ／ 譯者：翟世臣 出版社：機械工業出版社 出版日期：2024-06-01 語言：簡體中文 規格：平裝 / 350頁 / 19 x 26 x 1.75 cm / 普通級/ 1-1  博客來 - 其他
- 來源網頁  看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：Python時間序列預測
內容簡介
本書教你如何從基於時間的數據（如日誌、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，你將學習用於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。
作者介紹
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麼職業技能。Marco宣導實踐學習方法，他在Medium博客、free Code Camp數據科學速成課程和Udemy課程都採用了這種方法。
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麼職業技能。Marco宣導實踐學習方法，他在Medium博客、free Code Camp數據科學速成課程和Udemy課程都採用了這種方法。
目錄
譯者序
前 言
致 謝
第一部分 時間不等人
第1章 瞭解時間序列預測 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 設置預測範圍 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徵 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 預測最後一年的均值 19
2.4 使用最後已知數值進行預測 21
2.5 實現簡單的季節性預測 22
2.6 下一步 23
第3章 來一次隨機遊走 25
3.1 隨機遊走過程 26
3.2 識別隨機遊走 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是隨機遊走嗎 37
3.3 預測隨機遊走 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 模擬和預測隨機遊走 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)過程並做預測 65
4.4.2 模擬MA(q)過程並做預測 65
第5章 自回歸過程建模 67
5.1 預測零售店平均每週客流量 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)過程並做預測 82
5.6.2 模擬AR(p)過程並做預測 83
第6章 複雜時間序列建模 84
6.1 預測數據中心頻寬使用量 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 瞭解AIC 92
6.4.2 使用AIC選擇模型 93
6.4.3 瞭解殘差分析 95
6.4.4 進行殘差分析 99
6.5 應用通用建模過程 102
6.6 預測頻寬使用情況 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)過程並
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 向模型添加外生變數 146
9.1 研究SARIMAX模型 147
9.1.1 探討美國宏觀經濟數據集的
外生變數 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 預測多變數時間序列 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 導入所需的庫並載入數據 177
11.2 視覺化序列及其分量 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
前 言
致 謝
第一部分 時間不等人
第1章 瞭解時間序列預測 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 設置預測範圍 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徵 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 預測最後一年的均值 19
2.4 使用最後已知數值進行預測 21
2.5 實現簡單的季節性預測 22
2.6 下一步 23
第3章 來一次隨機遊走 25
3.1 隨機遊走過程 26
3.2 識別隨機遊走 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是隨機遊走嗎 37
3.3 預測隨機遊走 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 模擬和預測隨機遊走 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)過程並做預測 65
4.4.2 模擬MA(q)過程並做預測 65
第5章 自回歸過程建模 67
5.1 預測零售店平均每週客流量 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)過程並做預測 82
5.6.2 模擬AR(p)過程並做預測 83
第6章 複雜時間序列建模 84
6.1 預測數據中心頻寬使用量 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 瞭解AIC 92
6.4.2 使用AIC選擇模型 93
6.4.3 瞭解殘差分析 95
6.4.4 進行殘差分析 99
6.5 應用通用建模過程 102
6.6 預測頻寬使用情況 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)過程並
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 向模型添加外生變數 146
9.1 研究SARIMAX模型 147
9.1.1 探討美國宏觀經濟數據集的
外生變數 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 預測多變數時間序列 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 導入所需的庫並載入數據 177
11.2 視覺化序列及其分量 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
|
