Python預測之美：數(shù)據(jù)分析與算法實戰(zhàn)

定　價：￥119.00

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

購買這本書可以去

ISBN：	9787121390418	出版時間：	2020-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	396	字數(shù)：

內(nèi)容簡介

　　Python 是一種面向對象的腳本語言，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，廣泛應用于Web 開發(fā)、網(wǎng)絡編程、爬蟲開發(fā)、自動化運維、云計算、人工智能、科學計算等領域。預測技術在當今智能分析及其應用領域中發(fā)揮著重要作用，也是大數(shù)據(jù)時代的核心價值所在。隨著AI 技術的進一步深化，預測技術將更好地支撐復雜場景下的預測需求，其商業(yè)價值不言而喻?；赑ython 來做預測，不僅能夠在業(yè)務上快速落地，還讓代碼維護更加方便。對預測原理的深度剖析和算法的細致解讀，是本書的一大亮點。本書共分為3 篇。第1 篇介紹預測基礎，主要包括預測概念理解、預測方法論、分析方法、特征技術、模型優(yōu)化及評價，讀者通過這部分內(nèi)容的學習，可以掌握預測的基本步驟和方法思路。第2 篇介紹預測算法，該部分包含多元回歸分析、復雜回歸分析、時間序列及進階算法，內(nèi)容比較有難度，需要細心品味。第3 篇介紹預測案例，包括短期日負荷曲線預測和股票價格預測兩個實例，讀者可以了解到實施預測時需要關注的技術細節(jié)。希望讀者在看完本書后，能夠將本書的精要融會貫通，進一步在工作和學習實踐中提煉價值。

作者簡介

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

圖書目錄

第1 篇預測入門
第1 章認識預測． 2
1．1 什么是預測． 2
1．1．1 占卜術． 3
1．1．2 神秘的地動儀． 3
1．1．3 科學預測． 5
1．1．4 預測的原則． 7
1．2 前沿技術． 9
1．2．1 大數(shù)據(jù)與預測． 10
1．2．2 大數(shù)據(jù)預測的特點 11
1．2．3 人工智能與預測． 15
1．2．4 人工智能預測的特點． 17
1．2．5 典型預測案例． 18
1．3 Python 預測初步． 26
1．3．1 數(shù)據(jù)預處理． 27
1．3．2 建立模型． 31
1．3．3 預測及誤差分析． 34
第2 章預測方法論． 37
2．1 預測流程． 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 指導原則． 53
2．2．1 界定問題． 53
2．2．2 判斷預測法． 55
2．2．3 外推預測法． 56
2．2．4 因果預測法． 58
2．3 團隊構成． 59
2．3．1 成員分類． 59
2．3．2 數(shù)據(jù)氛圍． 61
2．3．3 團隊合作． 63
第3 章探索規(guī)律． 65
3．1 相關分析． 65
3．1．1 自相關分析． 65
3．1．2 偏相關分析． 68
3．1．3 簡單相關分析． 69
3．1．4 互相關分析． 80
3．1．5 典型相關分析． 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 關聯(lián)分析 110
3．4．1 關聯(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 標準化． 138
4．1．3 離散化． 141
4．1．4 函數(shù)變換． 143
4．1．5 深入表達． 144
4．2 特征組合． 145
4．2．1 基于經(jīng)驗． 145
4．2．2 二元組合． 146
4．2．3 高階多項式． 148
4．3 特征評價． 151
4．3．1 特征初選． 151
4．3．2 影響評價． 152
4．3．3 模型法． 167
4．4 特征學習． 172
4．4．1 基本思路． 173
4．4．2 特征表達式． 174
4．4．3 初始種群． 183
4．4．4 適應度． 185
4．4．5 遺傳行為． 187
4．4．6 實例分析． 192
第2 篇預測算法
第5 章參數(shù)優(yōu)化． 199
5．1 交叉驗證． 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 遺傳算法實現(xiàn)步驟． 209
5．3．4 遺傳算法Python 實現(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 粒子群算法的實現(xiàn)步驟． 214
5．4．3 用Python 實現(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 模擬退火算法的實現(xiàn)步驟． 221
5．5．3 模擬退火算法Python 實現(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． 227
6．1．3 回歸方程和回歸系數(shù)的顯著性檢驗． 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 準則確定嶺參數(shù) ． 235
6．2．4 Ridge 回歸的Python 實現(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)回歸的計算． 245
6．4．3 用單純形法求解分位數(shù)回歸及Python 實現(xiàn) 246
6．5 穩(wěn)健回歸． 248
6．5．1 基本概念． 249
6．5．2 M 估計法及Python 實現(xiàn) ． 250
第7 章復雜回歸分析． 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 實現(xiàn) 261
7．2 深度神經(jīng)網(wǎng)絡． 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． 272
7．2．4 深層次擬合問題． 277
7．2．5 DNN 的Python 實現(xiàn) 278
7．3 支持向量機回歸． 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 實現(xiàn) ． 289
第8 章時間序列分析． 292
8．1 Box-Jenkins 方法 292
8．1．1 p 階自回歸模型 293
8．1．2 q 階移動平均模型 295
8．1．3 自回歸移動平均模型． 296
8．1．4 ARIMA 模型． 300
8．1．5 ARIMA 模型的Python 實現(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 實現(xiàn) 326
8．6 循環(huán)神經(jīng)網(wǎng)絡． 328
8．6．1 RNN 的基本原理 329
8．6．2 RNN 算法的Python 實現(xiàn) 332
8．7 長短期記憶網(wǎng)絡． 335
8．7．1 LSTM 模型的基本原理． 336
8．7．2 LSTM 算法的Python 實現(xiàn) 341
第3 篇預測應用
第9 章短期日負荷曲線預測． 345
9．1 電力行業(yè)負荷預測介紹． 345
9．2 短期日負荷曲線預測的基本要求． 346
9．3 預測建模準備． 347
9．3．1 基礎數(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 算法的預測 355
9．4．1 數(shù)據(jù)要求． 356
9．4．2 數(shù)據(jù)預處理． 356
9．4．3 網(wǎng)絡結構設計． 357
9．4．4 建立模型． 358
9．4．5 預測實現(xiàn) ． 359
9．4．6 效果評估． 359
9．5 基于LSTM 算法的預測 361
9．5．1 數(shù)據(jù)要求． 361
9．5．2 數(shù)據(jù)預處理． 362
9．5．3 網(wǎng)絡結構設計． 362
9．5．4 建立模型． 363
9．5．5 預測實現(xiàn) ． 364
9．5．6 效果評估． 364
第10 章股票價格預測． 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 算法的預測． 371
10．3．1 平穩(wěn)性檢驗． 371
10．3．2 VAR 模型定階 372
10．3．3 預測及效果驗證． 373
10．4 基于LSTM 算法的預測． 375
10．4．1 數(shù)據(jù)要求． 375
10．4．2 數(shù)據(jù)預處理． 376
10．4．3 網(wǎng)絡結構設計． 377
10．4．4 建立模型． 377
10．4．5 預測實現(xiàn) ． 378
10．4．6 效果評估． 378
參考文獻． 381