Python预测之美：数据分析与算法实战 fb2 pdf azw3 网盘 rtf 免费 下载 txt

Python 是一种面向对象的脚本语言，其代码简洁优美，类库丰富，开发效率也很高，因此，得到越来越多开发者的喜爱，广泛应用于Web 开发、网络编程、爬虫开发、自动化运维、云计算、人工智能、科学计算等领域。预测技术在当今智能分析与应用领域中发挥着重要作用，也是大数据时代的核心价值所在。随着AI 技术的进一步深化，预测技术将更好地支撑复杂场景下的预测需求，其商业价值不言而喻。基于Python 来做预测，不仅能够在业务上快速落地，还让代码维护起来更加方便。对预测原理的深度剖析和算法的细致解读，是本书的一大亮点。

《Python预测之美：数据分析与算法实战》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、模型优化及评价，读者通过这部分内容的学习，可以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，内容比较有难度，需要细心品味。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两个实例，读者可以了解到实施预测时需要关注的技术细节。希望读者在看完本书后，能够将本书的精要融会贯通，进一步在工作和学习实践中提炼价值。

第1 篇 预测入门

第1 章 认识预测 . 2

1.1 什么是预测 . 2

1.1.1 占卜术 . 3

1.1.2 神秘的地动仪 . 3

1.1.3 科学预测 . 5

1.1.4 预测的原则 . 7

1.2 前沿技术 . 9

1.2.1 大数据与预测 . 10

1.2.2 大数据预测的特点 11

1.2.3 人工智能与预测 . 15

1.2.4 人工智能预测的特点 . 17

1.2.5 典型预测案例 . 18

1.3 Python 预测初步 . 26

1.3.1 数据预处理 . 27

1.3.2 建立模型 . 31

1.3.3 预测及误差分析 . 34

第2 章 预测方法论 . 37

2.1 预测流程 . 37

2.1.1 确定主题 . 38

2.1.2 收集数据 . 40

2.1.3 选择方法 . 42

2.1.4 分析规律 . 43

2.1.5 建立模型 . 48

2.1.6 评估效果 . 51

2.1.7 发布模型 . 52

2.2 指导原则 . 53

2.2.1 界定问题 . 53

2.2.2 判断预测法 . 55

2.2.3 外推预测法 . 56

2.2.4 因果预测法 . 58

2.3 团队构成 . 59

2.3.1 成员分类 . 59

2.3.2 数据氛围 . 61

2.3.3 团队合作 . 63

第3 章 探索规律 . 65

3.1 相关分析 . 65

3.1.1 自相关分析 . 65

3.1.2 偏相关分析 . 68

3.1.3 简单相关分析 . 69

3.1.4 互相关分析 . 80

3.1.5 典型相关分析 . 82

3.2 因果分析 . 87

3.2.1 什么是因果推断 . 87

3.2.2 因果推断的方法 . 90

3.2.3 时序因果推断 . 93

3.3 聚类分析 . 98

3.3.1 K-Means 算法 . 98

3.3.2 系统聚类算法 . 102

3.4 关联分析 110

3.4.1 关联规则挖掘 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 特征变换 . 136

4.1.1 概念分层 . 137

4.1.2 标准化 . 138

4.1.3 离散化 . 141

4.1.4 函数变换 . 143

4.1.5 深入表达 . 144

4.2 特征组合 . 145

4.2.1 基于经验 . 145

4.2.2 二元组合 . 146

4.2.3 高阶多项式 . 148

4.3 特征评价 . 151

4.3.1 特征初选 . 151

4.3.2 影响评价 . 152

4.3.3 模型法 . 167

4.4 特征学习 . 172

4.4.1 基本思路 . 173

4.4.2 特征表达式 . 174

4.4.3 初始种群 . 183

4.4.4 适应度 . 185

4.4.5 遗传行为 . 187

4.4.6 实例分析 . 192

第2 篇 预测算法

第5 章 参数优化 . 199

5.1 交叉验证 . 199

5.2 网格搜索 . 201

5.3 遗传算法 . 203

5.3.1 基本概念 . 203

5.3.2 遗传算法算例 . 204

5.3.3 遗传算法实现步骤 . 209

5.3.4 遗传算法Python 实现 210

5.4 粒子群优化 . 213

5.4.1 基本概念及原理 . 213

5.4.2 粒子群算法的实现步骤 . 214

5.4.3 用Python 实现粒子群算法 215

5.5 模拟退火 . 220

5.5.1 基本概念及原理 . 220

5.5.2 模拟退火算法的实现步骤 . 221

5.5.3 模拟退火算法Python 实现 222

第6 章 线性回归及其优化 226

6.1 多元线性回归 . 226

6.1.1 回归模型与基本假定 . 226

6.1.2 最小二乘估计 . 227

6.1.3 回归方程和回归系数的显著性检验 . 228

6.1.4 多重共线性 . 229

6.2 Ridge 回归 233

6.2.1 基本概念 . 233

6.2.2 岭迹曲线 . 233

6.2.3 基于GCV 准则确定岭参数 . 235

6.2.4 Ridge 回归的Python 实现 . 237

6.3 Lasso 回归 . 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 实现 . 240

6.4 分位数回归 . 242

6.4.1 基本概念 . 242

6.4.2 分位数回归的计算 . 245

6.4.3 用单纯形法求解分位数回归及Python 实现 246

6.5 稳健回归 . 248

6.5.1 基本概念 . 249

6.5.2 M 估计法及Python 实现 . 250

第7 章 复杂回归分析 . 254

7.1 梯度提升回归树（GBRT） . 254

7.1.1 Boosting 方法简介 254

7.1.2 AdaBoost 算法 255

7.1.3 提升回归树算法 . 257

7.1.4 梯度提升 . 259

7.1.5 GBRT 算法的Python 实现 261

7.2 深度神经网络 . 264

7.2.1 基本概念 . 264

7.2.2 从线性回归说起 . 269

7.2.3 浅层神经网络 . 272

7.2.4 深层次拟合问题 . 277

7.2.5 DNN 的Python 实现 278

7.3 支持向量机回归 . 281

7.3.1 基本问题 . 281

7.3.2 LS-SVMR 算法 . 284

7.3.3 LS-SVMR 算法的Python 实现 . 285

7.4 高斯过程回归 . 286

7.4.1 GPR 算法 287

7.4.2 GPR 算法的Python 实现 . 289

第8 章 时间序列分析 . 292

8.1 Box-Jenkins 方法 292

8.1.1 p 阶自回归模型 293

8.1.2 q 阶移动平均模型 295

8.1.3 自回归移动平均模型 . 296

8.1.4 ARIMA 模型 . 300

8.1.5 ARIMA 模型的Python 实现 . 301

8.2 门限自回归模型 . 309

8.2.1 TAR 模型的基本原理 309

8.2.2 TAR 模型的Python 实现 . 310

8.3 GARCH 模型族 313

8.3.1 线性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 向量自回归模型 . 318

8.4.1 VAR 模型基本原理 318

8.4.2 VAR 模型的Python 实现 . 320

8.5 卡尔曼滤波 . 324

8.5.1 卡尔曼滤波算法介绍 . 324

8.5.2 卡尔曼滤波的Python 实现 326

8.6 循环神经网络 . 328

8.6.1 RNN 的基本原理 329

8.6.2 RNN 算法的Python 实现 332

8.7 长短期记忆网络 . 335

8.7.1 LSTM 模型的基本原理 . 336

8.7.2 LSTM 算法的Python 实现 341

第3 篇 预测应用

第9 章 短期日负荷曲线预测 . 345

9.1 电力行业负荷预测介绍 . 345

9.2 短期日负荷曲线预测的基本要求 . 346

9.3 预测建模准备 . 347

9.3.1 基础数据采集 . 347

9.3.2 缺失数据处理 . 349

9.3.3 潜在规律分析 . 352

9.4 基于DNN 算法的预测 355

9.4.1 数据要求 . 356

9.4.2 数据预处理 . 356

9.4.3 网络结构设计 . 357

9.4.4 建立模型 . 358

9.4.5 预测实现 . 359

9.4.6 效果评估 . 359

9.5 基于LSTM 算法的预测 361

9.5.1 数据要求 . 361

9.5.2 数据预处理 . 362

9.5.3 网络结构设计 . 362

9.5.4 建立模型 . 363

9.5.5 预测实现 . 364

9.5.6 效果评估 . 364

第10 章 股票价格预测 . 367

10.1 股票市场简介 . 367

10.2 获取股票数据 . 368

10.3 基于VAR 算法的预测 . 371

10.3.1 平稳性检验 . 371

10.3.2 VAR 模型定阶 372

10.3.3 预测及效果验证 . 373

10.4 基于LSTM 算法的预测. 375

10.4.1 数据要求 . 375

10.4.2 数据预处理 . 376

10.4.3 网络结构设计 . 377

10.4.4 建立模型 . 377

10.4.5 预测实现 . 378

10.4.6 效果评估 . 378

参考文献 . 381

高级数据分析师，在互联网/电信/电力领域具有丰富的数据分析与挖掘建模经验。曾服务于华为技术软件有限公司、深圳市康拓普信息技术有限公司、深圳市数聚能源科技有限公司等企业，期间曾在小象学院兼职R语言数据挖掘讲师。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python预测之美：数据分析与算法实战在线阅读

在线听书地址：Python预测之美：数据分析与算法实战在线收听

在线购买地址：Python预测之美：数据分析与算法实战在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

Python 是一种面向对象的脚本语言，其代码简洁优美，类库丰富，开发效率也很高，因此，得到越来越多开发者的喜爱，广泛应用于Web 开发、网络编程、爬虫开发、自动化运维、云计算、人工智能、科学计算等领域。预测技术在当今智能分析与应用领域中发挥着重要作用，也是大数据时代的核心价值所在。随着AI 技术的进一步深化，预测技术将更好地支撑复杂场景下的预测需求，其商业价值不言而喻。基于Python 来做预测，不仅能够在业务上快速落地，还让代码维护起来更加方便。对预测原理的深度剖析和算法的细致解读，是本书的一大亮点。

《Python预测之美：数据分析与算法实战》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、模型优化及评价，读者通过这部分内容的学习，可以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，内容比较有难度，需要细心品味。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两个实例，读者可以了解到实施预测时需要关注的技术细节。希望读者在看完本书后，能够将本书的精要融会贯通，进一步在工作和学习实践中提炼价值。