新書推薦：
《
二十四节气生活美学
》
售價：NT$
340.0
《
古文观止（上+下）（2册）高中生初中生阅读 国学经典丛书原文+注释+译文古诗词大全集名家精译青少年启蒙经典读本无障碍阅读精装中国古代著名文学书籍国学经典
》
售價：NT$
440.0
《
宠物革命：动物与现代英国生活的形成
》
售價：NT$
360.0
《
（棱镜精装人文译丛）蔑视大众：现代社会文化斗争的实验
》
售價：NT$
275.0
《
皇家宫廷中的保健秘方 中小学课外阅读
》
售價：NT$
290.0
《
《诗经》十五讲 十五堂《诗经》历史文化与文学课 丹曾人文通识丛书
》
售價：NT$
395.0
《
述异记汇笺及情节单元分类研究（上下册）
》
售價：NT$
475.0
《
环境、社会、治理（ESG）信息披露操作手册
》
售價：NT$
1190.0
|
| 編輯推薦： |
以Python语言为基础，配合原理、方法、案例进行讲解
专注预测专题，体系化介绍预测技术工程实施的必备技能
深度剖析预测原理，细致解读数据分析算法
|
| 內容簡介： |
|
Python 是一种面向对象的脚本语言，其代码简洁优美，类库丰富，开发效率也很高，得到越来越多开发者的喜爱，广泛应用于Web 开发、网络编程、爬虫开发、自动化运维、云计算、人工智能、科学计算等领域。预测技术在当今智能分析及其应用领域中发挥着重要作用，也是大数据时代的核心价值所在。随着AI 技术的进一步深化，预测技术将更好地支撑复杂场景下的预测需求，其商业价值不言而喻。基于Python 来做预测，不仅能够在业务上快速落地，还让代码维护更加方便。对预测原理的深度剖析和算法的细致解读，是本书的一大亮点。本书共分为3 篇。第1 篇介绍预测基础，主要包括预测概念理解、预测方法论、分析方法、特征技术、模型优化及评价，读者通过这部分内容的学习，可以掌握预测的基本步骤和方法思路。第2 篇介绍预测算法，该部分包含多元回归分析、复杂回归分析、时间序列及进阶算法，内容比较有难度，需要细心品味。第3 篇介绍预测案例，包括短期日负荷曲线预测和股票价格预测两个实例，读者可以了解到实施预测时需要关注的技术细节。希望读者在看完本书后，能够将本书的精要融会贯通，进一步在工作和学习实践中提炼价值。
|
| 關於作者： |
|
游皓麟，大数据分析、数据挖掘专家，高级培训讲师。毕业于东南大学，从事大数据相关领域工作8年有余，专注大数据架构、机器学习、数据挖掘、NLP、知识图谱等领域的方案设计、算法研究与工程实现。在游戏、互联网、电信、电力、军工等行业具有丰富的工程实践经验，多次作为特邀嘉宾参加行业会议并发表主题演讲，著有《R语言预测实战》等多本书籍。
|
| 目錄：
|
第1 篇 预测入门
第1 章 认识预测 . 2
1.1 什么是预测 . 2
1.1.1 占卜术 . 3
1.1.2 神秘的地动仪 . 3
1.1.3 科学预测 . 5
1.1.4 预测的原则 . 7
1.2 前沿技术 . 9
1.2.1 大数据与预测 . 10
1.2.2 大数据预测的特点 11
1.2.3 人工智能与预测 . 15
1.2.4 人工智能预测的特点 . 17
1.2.5 典型预测案例 . 18
1.3 Python 预测初步 . 26
1.3.1 数据预处理 . 27
1.3.2 建立模型 . 31
1.3.3 预测及误差分析 . 34
第2 章 预测方法论 . 37
2.1 预测流程 . 37
2.1.1 确定主题 . 38
2.1.2 收集数据 . 40
2.1.3 选择方法 . 42
2.1.4 分析规律 . 43
2.1.5 建立模型 . 48
2.1.6 评估效果 . 51
2.1.7 发布模型 . 52
2.2 指导原则 . 53
2.2.1 界定问题 . 53
2.2.2 判断预测法 . 55
2.2.3 外推预测法 . 56
2.2.4 因果预测法 . 58
2.3 团队构成 . 59
2.3.1 成员分类 . 59
2.3.2 数据氛围 . 61
2.3.3 团队合作 . 63
第3 章 探索规律 . 65
3.1 相关分析 . 65
3.1.1 自相关分析 . 65
3.1.2 偏相关分析 . 68
3.1.3 简单相关分析 . 69
3.1.4 互相关分析 . 80
3.1.5 典型相关分析 . 82
3.2 因果分析 . 87
3.2.1 什么是因果推断 . 87
3.2.2 因果推断的方法 . 90
3.2.3 时序因果推断 . 93
3.3 聚类分析 . 98
3.3.1 K-Means 算法 . 98
3.3.2 系统聚类算法 . 102
3.4 关联分析 110
3.4.1 关联规则挖掘 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 特征变换 . 136
4.1.1 概念分层 . 137
4.1.2 标准化 . 138
4.1.3 离散化 . 141
4.1.4 函数变换 . 143
4.1.5 深入表达 . 144
4.2 特征组合 . 145
4.2.1 基于经验 . 145
4.2.2 二元组合 . 146
4.2.3 高阶多项式 . 148
4.3 特征评价 . 151
4.3.1 特征初选 . 151
4.3.2 影响评价 . 152
4.3.3 模型法 . 167
4.4 特征学习 . 172
4.4.1 基本思路 . 173
4.4.2 特征表达式 . 174
4.4.3 初始种群 . 183
4.4.4 适应度 . 185
4.4.5 遗传行为 . 187
4.4.6 实例分析 . 192
第2 篇 预测算法
第5 章 参数优化 . 199
5.1 交叉验证 . 199
5.2 网格搜索 . 201
5.3 遗传算法 . 203
5.3.1 基本概念 . 203
5.3.2 遗传算法算例 . 204
5.3.3 遗传算法实现步骤 . 209
5.3.4 遗传算法Python 实现 210
5.4 粒子群优化 . 213
5.4.1 基本概念及原理 . 213
5.4.2 粒子群算法的实现步骤 . 214
5.4.3 用Python 实现粒子群算法 215
5.5 模拟退火 . 220
5.5.1 基本概念及原理 . 220
5.5.2 模拟退火算法的实现步骤 . 221
5.5.3 模拟退火算法Python 实现 222
第6 章 线性回归及其优化 226
6.1 多元线性回归 . 226
6.1.1 回归模型与基本假定 . 226
6.1.2 最小二乘估计 . 227
6.1.3 回归方程和回归系数的显著性检验 . 228
6.1.4 多重共线性 . 229
6.2 Ridge 回归 233
6.2.1 基本概念 . 233
6.2.2 岭迹曲线 . 233
6.2.3 基于GCV 准则确定岭参数 . 235
6.2.4 Ridge 回归的Python 实现 . 237
6.3 Lasso 回归 . 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 实现 . 240
6.4 分位数回归 . 242
6.4.1 基本概念 . 242
6.4.2 分位数回归的计算 . 245
6.4.3 用单纯形法求解分位数回归及Python 实现 246
6.5 稳健回归 . 248
6.5.1 基本概念 . 249
6.5.2 M 估计法及Python 实现 . 250
第7 章 复杂回归分析 . 254
7.1 梯度提升回归树（GBRT） . 254
7.1.1 Boosting 方法简介 254
7.1.2 AdaBoost 算法 255
7.1.3 提升回归树算法 . 257
7.1.4 梯度提升 . 259
7.1.5 GBRT 算法的Python 实现 261
7.2 深度神经网络 . 264
7.2.1 基本概念 . 264
7.2.2 从线性回归说起 . 269
7.2.3 浅层神经网络 . 272
7.2.4 深层次拟合问题 . 277
7.2.5 DNN 的Python 实现 278
7.3 支持向量机回归 . 281
7.3.1 基本问题 . 281
7.3.2 LS-SVMR 算法 . 284
7.3.3 LS-SVMR 算法的Python 实现 . 285
7.4 高斯过程回归 . 286
7.4.1 GPR 算法 287
7.4.2 GPR 算法的Python 实现 . 289
第8 章 时间序列分析 . 292
8.1 Box-Jenkins 方法 292
8.1.1 p 阶自回归模型 293
8.1.2 q 阶移动平均模型 295
8.1.3 自回归移动平均模型 . 296
8.1.4 ARIMA 模型 . 300
8.1.5 ARIMA 模型的Python 实现 . 301
8.2 门限自回归模型 . 309
8.2.1 TAR 模型的基本原理 309
8.2.2 TAR 模型的Python 实现 . 310
8.3 GARCH 模型族 313
8.3.1 线性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 向量自回归模型 . 318
8.4.1 VAR 模型基本原理 318
8.4.2 VAR 模型的Python 实现 . 320
8.5 卡尔曼滤波 . 324
8.5.1 卡尔曼滤波算法介绍 . 324
8.5.2 卡尔曼滤波的Python 实现 326
8.6 循环神经网络 . 328
8.6.1 RNN 的基本原理 329
8.6.2 RNN 算法的Python 实现 332
8.7 长短期记忆网络 . 335
8.7.1 LSTM 模型的基本原理 . 336
8.7.2 LSTM 算法的Python 实现 341
第3 篇 预测应用
第9 章 短期日负荷曲线预测 . 345
9.1 电力行业负荷预测介绍 . 345
9.2 短期日负荷曲线预测的基本要求 . 346
9.3 预测建模准备 . 347
9.3.1 基础数据采集 . 347
9.3.2 缺失数据处理 . 349
9.3.3 潜在规律分析 . 352
9.4 基于DNN 算法的预测 355
9.4.1 数据要求 . 356
9.4.2 数据预处理 . 356
9.4.3 网络结构设计 . 357
9.4.4 建立模型 . 358
9.4.5 预测实现 . 359
9.4.6 效果评估 . 359
9.5 基于LSTM 算法的预测 361
9.5.1 数据要求 . 361
9.5.2 数据预处理 . 362
9.5.3 网络结构设计 . 362
9.5.4 建立模型 . 363
9.5.5 预测实现 . 364
9.5.6 效果评估 . 364
第10 章 股票价格预测 . 367
10.1 股票市场简介 . 367
10.2 获取股票数据 . 368
10.3 基于VAR 算法的预测 . 371
10.3.1 平稳性检验 . 371
10.3.2 VAR 模型定阶 372
10.3.3 预测及效果验证 . 373
10.4 基于LSTM 算法的预测. 375
10.4.1 数据要求 . 375
10.4.2 数据预处理 . 376
10.4.3 网络结构设计 . 377
10.4.4 建立模型 . 377
10.4.5 预测实现 . 378
10.4.6 效果评估 . 378
参考文献 . 381
|
| 內容試閱：
|
前 言
为什么要写这本书？
2016 年10 月笔者出版了《R 语言预测实战》，书中总结了笔者在预测领域的一些思考和经验，并通过书籍的媒介作用，和广大读者进行了一次深度的对话交流，书中基于R 语言对常用的数据分析、预测类算法进行了实现，并结合案例讲解了预测模型的实现过程。该书自出版以来，不断收到读者的好评，笔者也时常收到读者发来的邮件，或是对书籍内容感兴趣，希望可以长期交流，或者提出书籍中的一些瑕疵，希望在下个版本进行改善，或是咨询一些实际业务问题，如此等等。总地来看，《R 语言预测实战》这本书还是很受读者喜爱的。由于人工智能在近些年的发展，Python 语言越来越流行，更多的朋友想从Python 入手学习。为了能将《R 语言预测实战》的精华介绍给更多的读者，同时可以有机会修改R 这本书中存在的一些问题，尤其是代码中的瑕疵，笔者开始考虑将其改写为Python 版本。与《R 语言预测实战》相比，本书介绍的算法和案例加入了使用深度学习算法来做预测的内容，同时剪掉了一些不必要的段落，代码方面也做了很多优化，相信能够给读者带来
更好的阅读学习体验。
阅读对象
? 对数据挖掘、机器学习、预测算法及商业预测应用感兴趣的大专院校师生；
? 从事数据挖掘工作，有一定经验的专业人士；
? 各行各业的数据分析师、数据挖掘工程师；
? 对数据挖掘、预测专题感兴趣的读者。
勘误和支持
由于笔者的水平有限，编写的时间也很仓促，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。读者可以把意见或建议直接发至笔者的邮箱cador.ai@aliyun.com。书籍中的数据和代码，可通过访问cador.cn 来获取。笔者会定期发布勘误表，并统一回复。同时，如果你有什么问题，也可以发邮箱来提问，笔者将尽量为读者提供最满意的解答，期待你们的反馈。
如何阅读这本书
本书包括3 篇，共有10 章。
第1 章介绍预测的基本概念，以及大数据时代预测的特点，并结合案例进行讲解，最后基于Python讲解一个预测案例。本章适合初学者入门。
第2 章介绍预测的方法论，其中预测流程是基础，它说明了从预测实施的各个阶段。然后介绍了预测的指导原则，它是预测工作者必知必会的。另外，还介绍了预测工作的团队要求。本章内容适合常期品味，活学活用。
第3 章介绍分析方法，本章内容是数据分析、数据挖掘常见的分析方法，出现在这里，主要是为预测技术的数据处理做铺垫。如果预测工作者没有掌握有效的分析思路和方法，去提炼有用的指标和特征，那么预测工作是很难进行下去的。本章提供了规律发现的常用方法和技巧。
第4 章介绍特征工程，不仅介绍了常见的特征变换方法，还介绍了特征组合的方法，特别值得一提的是，本章包含了特征学习的方法，它是基于遗传编程实现的。从事数据挖掘的朋友都很清楚，好的特征在建模时是非常重要的，然而，有时我们拿到的基础数据直接拿去建模效果不见得好，如果进行规律挖掘，也比较费时费力，比较好的做法就是特征自动生成。感兴趣的朋友，可以细致品味这个章节。
从第1 章到第4 章为本书的第1 篇，主要介绍预测的入门知识，如果读者对预测有一定的功底，可以跳过本部分，直接进入第2 篇，了解预测算法的基本原理和实现。
第5 章介绍模型参数的优化。我们在建立数据挖掘和预测模型时，参数的确定通常不是一步到位的，我们往往需要做一些优化或改进，以提升最终的效果。本章介绍的遗传算法、粒子群优化、模拟退火等问题求解算法，有助于找到模型的最优或接近最优的参数。
第6 章介绍线性回归技术，主要包括多元线性回归、Ridge 回归、Lasso 回归、分位数回归、稳健回归的内容。在实际工作或实践中，读者应该有选择地使用对应的回归方法，以确保应对回归问题的有效性。
第7 章介绍复杂回归技术，主要包括梯度提升回归树（GBRT）、神经网络、支持向量机、高斯过程回归的内容。这是回归技术的进阶部分，涉及到统计学习以及机器学习的内容，想挑战难度的朋友，一定要好好读一读这部分。
第8 章介绍时间序列分析技术，主要包括Box-Jenkins 方法、门限自回归模型、GARCH 模型族、向量自回归模型、卡尔曼滤波、循环神经网络、长短时记忆网络等内容。本章不仅介绍了常见的Box-Jenkins 方法，还介绍了门限自回归等高阶时序分析技术。
从第5 章到第8 章为本书的第2 篇，主要介绍预测算法，本部分的算法选择有一定的难度，基本包含了常见的以及部分高阶的预测回归算法，读者可细致品味。
第9 章介绍短期日负荷曲线预测技术，首先介绍电力行业负荷预测的行业知识，接着从预测的基本要求出发，经过预测的建模准备，进入预测建模的环节。本章使用了DNN 和LSTM 两种算法来建立预测模型，并对预测效果进行了评估。
第10 章介绍股票价格预测技术，首先从股票市场的简介开始，接着介绍股票数据的获取，然后基于VAR 和LSTM 两种算法对预测模型进行了实现，最后检验了预测的准确性。
最后两章为本书的第3 篇，主要介绍预测案例，由于写书太过仓促，案例部分略显单薄。另外，由于商业关系，有些案例分析的细节内容不便在书中全面展开介绍，有兴趣的读者，可以邮件联系。
致谢
感谢电子工业出版社的编辑石倩，没有你的敦促，我可能不会这么快地写完这本书，同时也感谢电子工业出版社！
感谢造物主给我一颗孜孜不倦的心，让我在学习的道路上不至于因工作忙碌而有所懈怠，也不至于因有所成就而不知进取。
青山不改，绿水长流。谨以此书，献给我最亲爱的家人和朋友，以及热爱Python 和从事数据相关领域的朋友们。
游皓麟
中国 成都
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
