Python預(yù)測之美：數(shù)據(jù)分析與算法實(shí)戰(zhàn)

定　價(jià)：￥119.00

作　者：	游皓麟著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787121390418	出版時(shí)間：	2020-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	396	字?jǐn)?shù)：

內(nèi)容簡介

　　Python 是一種面向?qū)ο蟮哪_本語言，其代碼簡潔優(yōu)美，類庫豐富，開發(fā)效率也很高，得到越來越多開發(fā)者的喜愛，廣泛應(yīng)用于Web 開發(fā)、網(wǎng)絡(luò)編程、爬蟲開發(fā)、自動(dòng)化運(yùn)維、云計(jì)算、人工智能、科學(xué)計(jì)算等領(lǐng)域。預(yù)測技術(shù)在當(dāng)今智能分析及其應(yīng)用領(lǐng)域中發(fā)揮著重要作用，也是大數(shù)據(jù)時(shí)代的核心價(jià)值所在。隨著AI 技術(shù)的進(jìn)一步深化，預(yù)測技術(shù)將更好地支撐復(fù)雜場景下的預(yù)測需求，其商業(yè)價(jià)值不言而喻?；赑ython 來做預(yù)測，不僅能夠在業(yè)務(wù)上快速落地，還讓代碼維護(hù)更加方便。對預(yù)測原理的深度剖析和算法的細(xì)致解讀，是本書的一大亮點(diǎn)。本書共分為3 篇。第1 篇介紹預(yù)測基礎(chǔ)，主要包括預(yù)測概念理解、預(yù)測方法論、分析方法、特征技術(shù)、模型優(yōu)化及評價(jià)，讀者通過這部分內(nèi)容的學(xué)習(xí)，可以掌握預(yù)測的基本步驟和方法思路。第2 篇介紹預(yù)測算法，該部分包含多元回歸分析、復(fù)雜回歸分析、時(shí)間序列及進(jìn)階算法，內(nèi)容比較有難度，需要細(xì)心品味。第3 篇介紹預(yù)測案例，包括短期日負(fù)荷曲線預(yù)測和股票價(jià)格預(yù)測兩個(gè)實(shí)例，讀者可以了解到實(shí)施預(yù)測時(shí)需要關(guān)注的技術(shù)細(xì)節(jié)。希望讀者在看完本書后，能夠?qū)⒈緯木跁炌?，進(jìn)一步在工作和學(xué)習(xí)實(shí)踐中提煉價(jià)值。

作者簡介

　　高級數(shù)據(jù)分析師，在互聯(lián)網(wǎng)/電信/電力領(lǐng)域具有豐富的數(shù)據(jù)分析與挖掘建模經(jīng)驗(yàn)。曾服務(wù)于華為技術(shù)軟件有限公司、深圳市康拓普信息技術(shù)有限公司、深圳市數(shù)聚能源科技有限公司等企業(yè)，期間曾在小象學(xué)院兼職R語言數(shù)據(jù)挖掘講師。

圖書目錄

第1 篇預(yù)測入門
第1 章認(rèn)識預(yù)測． 2
1．1 什么是預(yù)測． 2
1．1．1 占卜術(shù) ． 3
1．1．2 神秘的地動(dòng)儀． 3
1．1．3 科學(xué)預(yù)測． 5
1．1．4 預(yù)測的原則． 7
1．2 前沿技術(shù) ． 9
1．2．1 大數(shù)據(jù)與預(yù)測． 10
1．2．2 大數(shù)據(jù)預(yù)測的特點(diǎn) 11
1．2．3 人工智能與預(yù)測． 15
1．2．4 人工智能預(yù)測的特點(diǎn) ． 17
1．2．5 典型預(yù)測案例． 18
1．3 Python 預(yù)測初步． 26
1．3．1 數(shù)據(jù)預(yù)處理． 27
1．3．2 建立模型． 31
1．3．3 預(yù)測及誤差分析． 34
第2 章預(yù)測方法論． 37
2．1 預(yù)測流程． 37
2．1．1 確定主題． 38
2．1．2 收集數(shù)據(jù) ． 40
2．1．3 選擇方法． 42
2．1．4 分析規(guī)律． 43
2．1．5 建立模型． 48
2．1．6 評估效果． 51
2．1．7 發(fā)布模型． 52
2．2 指導(dǎo)原則． 53
2．2．1 界定問題． 53
2．2．2 判斷預(yù)測法． 55
2．2．3 外推預(yù)測法． 56
2．2．4 因果預(yù)測法． 58
2．3 團(tuán)隊(duì)構(gòu)成． 59
2．3．1 成員分類． 59
2．3．2 數(shù)據(jù)氛圍． 61
2．3．3 團(tuán)隊(duì)合作． 63
第3 章探索規(guī)律． 65
3．1 相關(guān)分析． 65
3．1．1 自相關(guān)分析． 65
3．1．2 偏相關(guān)分析． 68
3．1．3 簡單相關(guān)分析． 69
3．1．4 互相關(guān)分析． 80
3．1．5 典型相關(guān)分析． 82
3．2 因果分析． 87
3．2．1 什么是因果推斷． 87
3．2．2 因果推斷的方法． 90
3．2．3 時(shí)序因果推斷． 93
3．3 聚類分析． 98
3．3．1 K-Means 算法． 98
3．3．2 系統(tǒng)聚類算法． 102
3．4 關(guān)聯(lián)分析 110
3．4．1 關(guān)聯(lián)規(guī)則挖掘 110
3．4．2 Apriori 算法． 111
3．4．3 Eclat 算法 120
3．4．4 序列模式挖掘． 123
3．4．5 SPADE 算法 124
第4 章特征工程． 136
4．1 特征變換． 136
4．1．1 概念分層． 137
4．1．2 標(biāo)準(zhǔn)化． 138
4．1．3 離散化． 141
4．1．4 函數(shù)變換． 143
4．1．5 深入表達(dá) ． 144
4．2 特征組合． 145
4．2．1 基于經(jīng)驗(yàn) ． 145
4．2．2 二元組合． 146
4．2．3 高階多項(xiàng)式． 148
4．3 特征評價(jià) ． 151
4．3．1 特征初選． 151
4．3．2 影響評價(jià) ． 152
4．3．3 模型法． 167
4．4 特征學(xué)習(xí) ． 172
4．4．1 基本思路． 173
4．4．2 特征表達(dá)式． 174
4．4．3 初始種群． 183
4．4．4 適應(yīng)度． 185
4．4．5 遺傳行為． 187
4．4．6 實(shí)例分析． 192
第2 篇預(yù)測算法
第5 章參數(shù)優(yōu)化． 199
5．1 交叉驗(yàn)證． 199
5．2 網(wǎng)格搜索． 201
5．3 遺傳算法． 203
5．3．1 基本概念． 203
5．3．2 遺傳算法算例． 204
5．3．3 遺傳算法實(shí)現(xiàn)步驟． 209
5．3．4 遺傳算法Python 實(shí)現(xiàn) 210
5．4 粒子群優(yōu)化． 213
5．4．1 基本概念及原理． 213
5．4．2 粒子群算法的實(shí)現(xiàn)步驟． 214
5．4．3 用Python 實(shí)現(xiàn)粒子群算法 215
5．5 模擬退火． 220
5．5．1 基本概念及原理． 220
5．5．2 模擬退火算法的實(shí)現(xiàn)步驟． 221
5．5．3 模擬退火算法Python 實(shí)現(xiàn) 222
第6 章線性回歸及其優(yōu)化 226
6．1 多元線性回歸． 226
6．1．1 回歸模型與基本假定． 226
6．1．2 最小二乘估計(jì) ． 227
6．1．3 回歸方程和回歸系數(shù)的顯著性檢驗(yàn) ． 228
6．1．4 多重共線性． 229
6．2 Ridge 回歸 233
6．2．1 基本概念． 233
6．2．2 嶺跡曲線． 233
6．2．3 基于GCV 準(zhǔn)則確定嶺參數(shù) ． 235
6．2．4 Ridge 回歸的Python 實(shí)現(xiàn) ． 237
6．3 Lasso 回歸． 237
6．3．1 基本概念． 237
6．3．2 使用LAR 算法求解Lasso ． 238
6．3．3 Lasso 算法的Python 實(shí)現(xiàn) ． 240
6．4 分位數(shù)回歸． 242
6．4．1 基本概念． 242
6．4．2 分位數(shù)回歸的計(jì)算． 245
6．4．3 用單純形法求解分位數(shù)回歸及Python 實(shí)現(xiàn) 246
6．5 穩(wěn)健回歸． 248
6．5．1 基本概念． 249
6．5．2 M 估計(jì)法及Python 實(shí)現(xiàn) ． 250
第7 章復(fù)雜回歸分析． 254
7．1 梯度提升回歸樹（GBRT）． 254
7．1．1 Boosting 方法簡介 254
7．1．2 AdaBoost 算法 255
7．1．3 提升回歸樹算法． 257
7．1．4 梯度提升． 259
7．1．5 GBRT 算法的Python 實(shí)現(xiàn) 261
7．2 深度神經(jīng)網(wǎng)絡(luò) ． 264
7．2．1 基本概念． 264
7．2．2 從線性回歸說起． 269
7．2．3 淺層神經(jīng)網(wǎng)絡(luò) ． 272
7．2．4 深層次擬合問題． 277
7．2．5 DNN 的Python 實(shí)現(xiàn) 278
7．3 支持向量機(jī)回歸． 281
7．3．1 基本問題． 281
7．3．2 LS-SVMR 算法． 284
7．3．3 LS-SVMR 算法的Python 實(shí)現(xiàn) ． 285
7．4 高斯過程回歸． 286
7．4．1 GPR 算法 287
7．4．2 GPR 算法的Python 實(shí)現(xiàn) ． 289
第8 章時(shí)間序列分析． 292
8．1 Box-Jenkins 方法 292
8．1．1 p 階自回歸模型 293
8．1．2 q 階移動(dòng)平均模型 295
8．1．3 自回歸移動(dòng)平均模型． 296
8．1．4 ARIMA 模型． 300
8．1．5 ARIMA 模型的Python 實(shí)現(xiàn) ． 301
8．2 門限自回歸模型． 309
8．2．1 TAR 模型的基本原理 309
8．2．2 TAR 模型的Python 實(shí)現(xiàn) ． 310
8．3 GARCH 模型族 313
8．3．1 線性ARCH 模型 313
8．3．2 GRACH 模型 315
8．3．3 EGARCH 模型． 315
8．3．4 PowerARCH 模型． 316
8．4 向量自回歸模型． 318
8．4．1 VAR 模型基本原理 318
8．4．2 VAR 模型的Python 實(shí)現(xiàn) ． 320
8．5 卡爾曼濾波． 324
8．5．1 卡爾曼濾波算法介紹． 324
8．5．2 卡爾曼濾波的Python 實(shí)現(xiàn) 326
8．6 循環(huán)神經(jīng)網(wǎng)絡(luò) ． 328
8．6．1 RNN 的基本原理 329
8．6．2 RNN 算法的Python 實(shí)現(xiàn) 332
8．7 長短期記憶網(wǎng)絡(luò) ． 335
8．7．1 LSTM 模型的基本原理． 336
8．7．2 LSTM 算法的Python 實(shí)現(xiàn) 341
第3 篇預(yù)測應(yīng)用
第9 章短期日負(fù)荷曲線預(yù)測． 345
9．1 電力行業(yè)負(fù)荷預(yù)測介紹． 345
9．2 短期日負(fù)荷曲線預(yù)測的基本要求． 346
9．3 預(yù)測建模準(zhǔn)備． 347
9．3．1 基礎(chǔ)數(shù)據(jù)采集． 347
9．3．2 缺失數(shù)據(jù)處理． 349
9．3．3 潛在規(guī)律分析． 352
9．4 基于DNN 算法的預(yù)測 355
9．4．1 數(shù)據(jù)要求． 356
9．4．2 數(shù)據(jù)預(yù)處理． 356
9．4．3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) ． 357
9．4．4 建立模型． 358
9．4．5 預(yù)測實(shí)現(xiàn) ． 359
9．4．6 效果評估． 359
9．5 基于LSTM 算法的預(yù)測 361
9．5．1 數(shù)據(jù)要求． 361
9．5．2 數(shù)據(jù)預(yù)處理． 362
9．5．3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) ． 362
9．5．4 建立模型． 363
9．5．5 預(yù)測實(shí)現(xiàn) ． 364
9．5．6 效果評估． 364
第10 章股票價(jià)格預(yù)測． 367
10．1 股票市場簡介． 367
10．2 獲取股票數(shù)據(jù) ． 368
10．3 基于VAR 算法的預(yù)測． 371
10．3．1 平穩(wěn)性檢驗(yàn) ． 371
10．3．2 VAR 模型定階 372
10．3．3 預(yù)測及效果驗(yàn)證． 373
10．4 基于LSTM 算法的預(yù)測． 375
10．4．1 數(shù)據(jù)要求． 375
10．4．2 數(shù)據(jù)預(yù)處理． 376
10．4．3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) ． 377
10．4．4 建立模型． 377
10．4．5 預(yù)測實(shí)現(xiàn) ． 378
10．4．6 效果評估． 378
參考文獻(xiàn) ． 381