《時間序列分析實戰：基於機器學習和統計學》是一本人民郵電出版社出版的圖書，作者是 [美] 艾琳·尼爾森（Aileen Nielsen）
基本介紹
- 中文名：時間序列分析實戰：基於機器學習和統計學
- 作者： [美] 艾琳·尼爾森（Aileen Nielsen）
- 類別：計算機
- 原作品：Practical Time Series Analysis: Prediction with Statistics and Machine Learning
- 譯者： 王禕、馮英睿
- 出版社：人民郵電出版社
- 出版時間：2023年1月
- 頁數：376 頁
- 定價：139.8 元
- 開本：16 開
- 裝幀：平裝
- ISBN：9787115605443
內容簡介,圖書目錄,作者簡介,譯者介紹,
內容簡介
時間序列在現代生活中無處不在，它也是數據分析的重要對象。本書介紹時間序列分析的實用技巧，展示如何結合機器學習方法和傳統的統計方法來分析各類時間序列數據，並提供Python示例和R示例。本書共有17章，首先概覽時間序列分析的歷史，然後介紹數據的獲取、清洗、模擬和存儲，接著關注可用於時間序列分析的建模技術，最後探討時間序列分析在幾個常見領域中的套用。
圖書目錄
前言 xi
第 1章 時間序列：概述和簡史 1
1.1 時間序列在歷史上的各種套用 1
1.1.1 醫學中的時間序列問題 2
1.1.2 氣象預測 5
1.1.3 經濟成長預測 5
1.1.4 天文學 7
1.2 時間序列分析的興起 7
1.3 統計時間序列分析的起源 8
1.4 時間序列分析在機器學習領域的起源 9
1.5 更多資源 10
第 2章 時間序列的發現與整理 11
2.1 時間序列數據何處尋 11
2.1.1 準備好的數據集 12
2.1.2 “找到的時間序列” 16
2.2 將表集合改造成時間序列數據集合 17
2.2.1 示例：組裝時間序列數據集合 18
2.2.2 構造“找到的時間序列” 23
2.3 時間戳問題 25
2.3.1 誰的時間戳 25
2.3.2 推測時間戳以理解數據 26
2.3.3 什麼是有意義的時間尺度 27
2.4 清理數據 28
2.4.1 處理數據缺失 28
2.4.2 上採樣和下採樣 38
2.4.3 數據平滑 40
2.4.4 季節性數據 44
2.4.5 時區 47
2.4.6 預防前瞻 50
2.5 更多資源 51
第3 章 針對時間序列的探索性數據分析 53
3.1 常用方法 53
3.1.1 折線圖 54
3.1.2 直方圖 56
3.1.3 散點圖 57
3.2 探索時間序列數據的方法 59
3.2.1 理解平穩性 60
3.2.2 套用視窗函式 64
3.2.3 理解和識別自相關性 67
3.2.4 偽相關性 76
3.3 一些有用的可視化方式 78
3.3.1 一維可視化 78
3.3.2 二維可視化 79
3.3.3 三維可視化 86
3.4 更多資源 89
第4 章 模擬時間序列 90
4.1 模擬時間序列有何特別之處 91
4.2 代碼模擬 91
4.2.1 自己動手 92
4.2.2 構建一個自行運轉的模擬世界 97
4.2.3 物理模擬 102
4.3 寫在最後 107
4.3.1 統計模擬 108
4.3.2 深度學習模擬 108
4.4 更多資源 108
第5 章 存儲時間序列 109
5.1 定義需求 110
5.2 資料庫解決方案 113
5.2.1 SQL與NoSQL 113
5.2.2 流行的時間序列資料庫 116
5.3 檔案解決方案 119
5.3.1 NumPy 119
5.3.2 Pandas 120
5.3.3 R 語言中的標準格式 120
5.3.4 Xarray 120
5.4 更多資源 121
第6 章 時間序列的統計模型 123
6.1 為什麼不使用線性回歸 123
6.2 時間序列的統計方法 125
6.2.1 自回歸模型 125
6.2.2 移動平均模型 136
6.2.3 差分自回歸移動平均模型 140
6.2.4 向量自回歸模型 149
6.2.5 多樣的統計模型 152
6.3 時間序列統計模型的優缺點 153
6.4 更多資源 154
第7 章 時間序列的狀態空間模型 155
7.1 狀態空間模型的優缺點 156
7.2 卡爾曼濾波器 157
7.2.1 概述 157
7.2.2 為卡爾曼濾波器編碼 159
7.3 隱馬爾可夫模型 163
7.3.1 模型的工作原理 163
7.3.2 如何擬合模型 165
7.3.3 通過編碼實現擬合 167
7.4 貝葉斯結構時間序列 171
7.5 更多資源 176
第8 章 時間序列的特徵生成與選擇 178
8.1 入門示例 179
8.2 生成特徵時需要考慮什麼 180
8.2.1 時間序列的性質 180
8.2.2 領域知識 181
8.2.3 外部考慮因素 181
8.3 何處尋找特徵靈感 181
8.3.1 開源時間序列特徵生成庫 182
8.3.2 特定領域的特徵示例 185
8.4 生成特徵後如何進行選擇 188
8.5 結語 190
8.6 更多資源 191
第9 章 針對時間序列的機器學習 193
9.1 時間序列分類 194
9.1.1 生成並選擇特徵 194
9.1.2 決策樹方法 197
9.2 聚類 203
9.2.1 由數據生成特徵 204
9.2.2 具有時間感知能力的距離度量指標 210
9.2.3 聚類代碼 213
9.3 更多資源 215
第 10 章 針對時間序列的深度學習 217
10.1 深度學習概念 219
10.2 通過編程實現神經網路 220
10.3 構建訓練流程 224
10.3.1 檢查數據集 224
10.3.2 訓練流程的步驟 227
10.4 前饋網路 240
10.4.1 一個簡單示例 241
10.4.2 運用注意力機制使前饋網路更具時間意識 243
10.5 卷積神經網路 245
10.5.1 一個簡單的卷積模型 246
10.5.2 其他可用的卷積模型 248
10.6 循環神經網路 250
10.6.1 繼續研究用電量示例 252
10.6.2 創新：自編碼器 253
10.7 組合架構 254
10.8 結語 258
10.9 更多資源 258
第 11 章 測量誤差 260
11.1 基礎知識：如何檢驗預測結果 261
11.2 預測結果何時才算足夠好 263
11.3 通過模擬估計模型中的不確定性 265
11.4 預測多步 268
11.4.1 直接擬合感興趣的範圍 268
11.4.2 針對較遠時間步的遞歸方法 268
11.4.3 對時間序列套用多任務學習 268
11.5 模型驗證陷阱 269
11.6 更多資源 269
第 12 章 擬合及使用時間序列模型時的性能考量 271
12.1 使用為一般用例構建的工具 272
12.1.1 用於橫截面數據的模型不在樣本間“共享”數據 272
12.1.2 沒有預先計算的模型造成數據測量與預測間的非必要延遲 273
12.2 數據存儲格式的優缺點 274
12.2.1 以二進制格式存儲數據 274
12.2.2 以能夠在數據上“滑動”的方式預處理 275
12.3 為適應性能考量而修改分析 275
12.3.1 使用所有數據不一定更好 275
12.3.2 複雜的模型並不總是表現得更好 276
12.3.3 簡要介紹可用的高性能工具 276
12.4 更多資源 277
第 13 章 醫療保健套用 278
13.1 流感預測 278
13.1.1 案例研究：發生在大都市的流感疫情 278
13.1.2 流感預測領域的最新技術 291
13.2 血糖水平預測 292
13.2.1 探索和清洗數據 293
13.2.2 生成特徵 297
13.2.3 擬合模型 303
13.3 更多資源 307
第 14 章 金融套用 308
14.1 獲取並探索金融數據 308
14.2 金融數據預處理與深度學習 314
14.2.1 由原始數據生成新指標 314
14.2.2 轉換數據並避免前瞻 315
14.2.3 為神經網路格式化數據 317
14.3 構建並訓練循環神經網路 319
14.4 更多資源 325
第 15 章 政務套用 326
15.1 獲取政府數據 327
15.2 探索時間序列大數據 328
15.2.1 在遍歷數據時進行上採樣並聚合 331
15.2.2 對數據排序 331
15.3 時間序列數據的線上統計分析 335
15.3.1 剩餘問題 343
15.3.2 後續改進 344
15.4 更多資源 344
第 16 章 時間序列工具包 345
16.1 規模化預測 345
16.1.1 谷歌內部的工業級預測框架 346
16.1.2 Facebook的Prophet開源工具包 347
16.2 異常檢測 351
16.3 其他時間序列工具包 353
16.4 更多資源 354
第 17 章 關於預測的預測 355
17.1 預測即服務 355
17.2 深度學習提高了機率 356
17.3 重要性正由統計方法向機器學習方法轉移 356
17.4 更深入地結合統計方法和機器學習方法 357
17.5 涉及日常生活的更多預測 357
作者簡介
艾琳·尼爾森（Aileen Nielsen）是軟體工程師和數據分析師。她畢業於耶魯大學和普林斯頓大學，從事過多個領域的時間序列研究工作，包括醫療行業、物理學研究和金融行業等。她現在專注於研發用於預測的神經網路。
譯者介紹
王禕，擁有6年軟體開發、數據與人工智慧領域方面的工作經驗，現任ThoughtWorks機器學習工程師。為金融、汽車、藥企等客戶提供過專業服務，在利用時間序列進行預測、數據分析、數據可視化等方面擁有豐富的經驗。
馮英睿，在數據與人工智慧領域有14年工作經驗，現任ThoughtWorks數據科學家。為銀行、電信、汽車和製造業等客戶提供過專業服務，在利用時間序列進行預測、故障診斷、異常檢測和預測性維護等方面擁有豐富的經驗。
