计算机
类型
6.1
豆瓣评分
可以朗读
语音朗读
172千字
字数
2020-07-01
发行日期
展开全部
主编推荐语
Python预测技术：基础、算法与案例
内容简介
Python语言当下非常流行，结合Python的应用也层出不穷。预测是数据挖掘的主要作用之一，也是大数据时代的核心价值所在，在人工智能的加持下，预测技术更加完善，更为体系化。基于Python来做预测，兼具效率和价值的双重属性，这是本书的一大亮点。本书共分为三部分。第一部分讲预测基础，主要涵盖预测概念理解、预测方法论、分析方法、特征技术等内容，读者通过这部分的学习，掌握进行预测的基本步骤和方法思路。第二部分讲预测算法，该部分包含了多元回归分析、复杂回归分析、时间序列及进阶算法、深度学习相关算法，内容比较有难度，需要细心口味。第三部分讲预测案例，包括短期日负荷曲线预测和股票价格预测等四个实例，读者可以了解到实施预测时需要关注的技术细节。
目录
- 封面
- 前折页
- 书名页
- 内容简介
- 版权页
- 前言
- 目录
- 第1篇 预测入门
- 第1章 认识预测
- 1.1 什么是预测
- 1.1.1 占卜术
- 1.1.2 神秘的地动仪
- 1.1.3 科学预测
- 1.1.4 预测的原则
- 1.2 前沿技术
- 1.2.1 大数据与预测
- 1.2.2 大数据预测的特点
- 1.2.3 人工智能与预测
- 1.2.4 人工智能预测的特点
- 1.2.5 典型预测案例
- 1.3 Python预测初步
- 1.3.1 数据预处理
- 1.3.2 建立模型
- 1.3.3 预测及误差分析
- 第2章 预测方法论
- 2.1 预测流程
- 2.1.1 确定主题
- 2.1.2 收集数据
- 2.1.3 选择方法
- 2.1.4 分析规律
- 2.1.5 建立模型
- 2.1.6 评估效果
- 2.1.7 发布模型
- 2.2 指导原则
- 2.2.1 界定问题
- 2.2.2 判断预测法
- 2.2.3 外推预测法
- 2.2.4 因果预测法
- 2.3 团队构成
- 2.3.1 成员分类
- 2.3.2 数据氛围
- 2.3.3 团队合作
- 第3章 探索规律
- 3.1 相关分析
- 3.1.1 自相关分析
- 3.1.2 偏相关分析
- 3.1.3 简单相关分析
- 3.1.4 互相关分析
- 3.1.5 典型相关分析
- 3.2 因果分析
- 3.2.1 什么是因果推断
- 3.2.2 因果推断的方法
- 3.2.3 时序因果推断
- 3.3 聚类分析
- 3.3.1 K-Means算法
- 3.3.2 系统聚类算法
- 3.4 关联分析
- 3.4.1 关联规则挖掘
- 3.4.2 Apriori算法
- 3.4.3 Eclat算法
- 3.4.4 序列模式挖掘
- 3.4.5 SPADE算法
- 第4章 特征工程
- 4.1 特征变换
- 4.1.1 概念分层
- 4.1.2 标准化
- 4.1.3 离散化
- 4.1.4 函数变换
- 4.1.5 深入表达
- 4.2 特征组合
- 4.2.1 基于经验
- 4.2.2 二元组合
- 4.2.3 高阶多项式
- 4.3 特征评价
- 4.3.1 特征初选
- 4.3.2 影响评价
- 4.3.3 模型法
- 4.4 特征学习
- 4.4.1 基本思路
- 4.4.2 特征表达式
- 4.4.3 初始种群
- 4.4.4 适应度
- 4.4.5 遗传行为
- 4.4.6 实例分析
- 第2篇 预测算法
- 第5章 参数优化
- 5.1 交叉验证
- 5.2 网格搜索
- 5.3 遗传算法
- 5.3.1 基本概念
- 5.3.2 遗传算法算例
- 5.3.3 遗传算法实现步骤
- 5.3.4 遗传算法的Python实现
- 5.4 粒子群优化
- 5.4.1 基本概念及原理
- 5.4.2 粒子群算法的实现步骤
- 5.4.3 粒子群算法的Python实现
- 5.5 模拟退火
- 5.5.1 基本概念及原理
- 5.5.2 模拟退火算法的实现步骤
- 5.5.3 模拟退火算法的Python实现
- 第6章 线性回归及其优化
- 6.1 多元线性回归
- 6.1.1 回归模型与基本假定
- 6.1.2 最小二乘估计
- 6.1.3 回归方程和回归系数的显著性检验
- 6.1.4 多重共线性
- 6.2 Ridge回归
- 6.2.1 基本概念
- 6.2.2 岭迹曲线
- 6.2.3 基于GCV准则确定岭参数
- 6.2.4 Ridge回归的Python实现
- 6.3 Lasso回归
- 6.3.1 基本概念
- 6.3.2 使用LAR算法求解Lasso
- 6.3.3 Lasso算法的Python实现
- 6.4 分位数回归
- 6.4.1 基本概念
- 6.4.2 分位数回归的计算
- 6.4.3 用单纯形法求解分位数回归及Python实现
- 6.5 稳健回归
- 6.5.1 基本概念
- 6.5.2 M估计法及Python实现
- 第7章 复杂回归分析
- 7.1 梯度提升回归树（GBRT）
- 7.1.1 Boosting方法简介
- 7.1.2 AdaBoost算法
- 7.1.3 提升回归树算法
- 7.1.4 梯度提升
- 7.1.5 GBRT算法的Python实现
- 7.2 深度神经网络
- 7.2.1 基本概念
- 7.2.2 从线性回归说起
- 7.2.3 浅层神经网络
- 7.2.4 深层次拟合问题
- 7.2.5 DNN的Python实现
- 7.3 支持向量机回归
- 7.3.1 基本问题
- 7.3.2 LS-SVMR算法
- 7.3.3 LS-SVMR算法的Python实现
- 7.4 高斯过程回归
- 7.4.1 GPR算法
- 7.4.2 GPR算法的Python实现
- 第8章 时间序列分析
- 8.1 Box-Jenkins方法
- 8.1.1 p阶自回归模型
- 8.1.2 q阶移动平均模型
- 8.1.3 自回归移动平均模型
- 8.1.4 ARIMA模型
- 8.1.5 ARIMA模型的Python实现
- 8.2 门限自回归模型
- 8.2.1 TAR模型的基本原理
- 8.2.2 TAR模型的Python实现
- 8.3 GARCH模型族
- 8.3.1 线性ARCH模型
- 8.3.2 GRACH模型
- 8.3.3 EGARCH模型
- 8.3.4 PowerARCH模型
- 8.4 向量自回归模型
- 8.4.1 VAR模型的基本原理
- 8.4.2 VAR模型的Python实现
- 8.5 卡尔曼滤波
- 8.5.1 卡尔曼滤波算法介绍
- 8.5.2 卡尔曼滤波的Python实现
- 8.6 循环神经网络
- 8.6.1 RNN的基本原理
- 8.6.2 RNN算法的Python实现
- 8.7 长短期记忆网络
- 8.7.1 LSTM模型的基本原理
- 8.7.2 LSTM算法的Python实现
- 第3篇 预测应用
- 第9章 短期日负荷曲线预测
- 9.1 电力行业负荷预测介绍
- 9.2 短期日负荷曲线预测的基本要求
- 9.3 预测建模准备
- 9.3.1 基础数据采集
- 9.3.2 缺失数据处理
- 9.3.3 潜在规律分析
- 9.4 基于DNN算法的预测
- 9.4.1 数据要求
- 9.4.2 数据预处理
- 9.4.3 网络结构设计
- 9.4.4 建立模型
- 9.4.5 预测实现
- 9.4.6 效果评估
- 9.5 基于LSTM算法的预测
- 9.5.1 数据要求
- 9.5.2 数据预处理
- 9.5.3 网络结构设计
- 9.5.4 建立模型
- 9.5.5 预测实现
- 9.5.6 效果评估
- 第10章 股票价格预测
- 10.1 股票市场简介
- 10.2 获取股票数据
- 10.3 基于VAR算法的预测
- 10.3.1 平稳性检验
- 10.3.2 VAR模型定阶
- 10.3.3 预测及效果验证
- 10.4 基于LSTM算法的预测
- 10.4.1 数据要求
- 10.4.2 数据预处理
- 10.4.3 网络结构设计
- 10.4.4 建立模型
- 10.4.5 预测实现
- 10.4.6 效果评估
- 参考文献
- 后折页
- 封底
展开全部
评分及书评
评分不足
2个评分
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
