時間序列預測:基於機器學習和Python實現

基本介紹

  • 中文名
  • 作者
  • 譯者
  • 出版社
  • 出版時間
  • 頁數
  • 開本
  • 裝幀
  • ISBN
內容簡介,圖書目錄,

內容簡介

圖書目錄

5.1.1 深度學習神經網路能夠自動從原始數據中學習和提取特徵132
5.1.2 深度學習支持多個輸入和輸出133
5.1.3 循環神經網路擅長從輸入數據中提取模式135
5.2 基於循環神經網路的時間序列預測136
5.2.1 循環神經網路137
5.2.2 長短期記憶139
5.2.3 門控循環單元140
5.2.4 如何為LSTM和GRU準備時間序列數據141
5.3 如何開發用於時間序列預測的GRU和LSTM146
5.3.1 Keras147
5.3.2 TensorFlow148
5.3.3 單變數模型149
5.3.4 多變數模型153
5.4 總結157
第6章 時間序列預測的模型部署159
6.1 實驗設定和Python版的Azure機器學習SDK介紹 159
6.1.1 Workspace159
6.1.2 Experiment160
6.1.3 Run160
6.1.4 Model161
6.1.5 ComputeTarget、RunConfiguration和ScriptRunConfig162
6.1.6 Image和Webservice163
6.2 機器學習模型部署 164
6.3 時間序列預測的解決方案體系結構部署示例 168
6.3.1 訓練並部署ARIMA模型 170
6.3.2 配置工作空間 173
6.3.3 創建實驗 175
6.3.4 創建或連線計算集群 175
6.3.5 上傳數據到Azure 176
6.3.6 創建估算器 179
6.3.7 將工作提交到遠程集群180
6.3.8 註冊模型 180
6.3.9 部署模型180
6.3.10 定義輸入腳本和依賴項 182
6.3.11 自動生成模式 182
6.4 總結187
參考文獻189

相關詞條

熱門詞條

聯絡我們