Python预测之美：数据分析与算法实战(双色)电子书

前折页

书名页

内容简介

版权页

前言

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