目录

• 第1章 时间序列预测概述

• 1.1 时间序列预测的机器学习方法

• 1.2 时间序列预测的监督学习

• 1.3 基于pandas的时间序列预测

• 1.4 时间序列预测的实验设置

• 1.5 总结

• 第2章 如何在云上设计一个端到端的时间序列预测解决方案

• 2.1 时间序列预测模板

• 2.1.1 业务理解和性能度量

• 2.1.2 数据源提取

• 2.1.3 数据探索与理解

• 2.1.4 数据预处理和特征工程

• 2.1.5 模型的创建和选择

• 2.2 需求建模技术概述

• 2.2.1 模型开发

• 2.2.2 模型部署

• 第3章 时间序列数据的准备

• 3.1 准备时间序列数据

• 3.2 处理时间序列

• 3.3 处理时间序列数据中的缺失值

• 3.4 总结

• 第4章 时间序列预测的自回归和自动方法

• 4.1 自回归

• 4.2 移动平均

• 4.3 自回归移动平均

• 4.4 季节性自回归移动平均

• 4.5 自动化机器学习

• 第5章 基于机器学习的时间序列预测

• 5.1 将机器学习用于时间序列预测的优势

• 5.1.1 基于机器学习的时间序列预测的优势

• 5.1.2 集成学习方法与单一学习方法的比较

• 5.1.3 构建机器学习流水线：输入和输出的选择

• 5.2 基于循环神经网络的时间序列预测

• 5.2.1 简单循环神经网络

• 5.2.2 长短期记忆网络

• 5.2.3 门控循环单元

• 5.3 如何选择LSTM和GRU用于时间序列预测

• 5.3.1 如何选择用于时间序列预测的GRU和LSTM

• 5.3.2 单变量模型

• 5.3.3 多变量模型

• 5.4 总结

• 第6章 时间序列预测的模型部署

• 6.1 实验设置：使用Java和Python版的Azure机器学习服务

• 6.2 机器学习模型部署

• 6.3 时间序列预测的解决方案体系结构示例

• 6.3.1 训练和部署ARIMA模型

读书摘要与主要内容介绍

《时间序列预测：基于机器学习和Python实现》是一本专注于利用机器学习技术进行时间序列预测的专业书籍。书中通过大量的实例和详细的步骤，向读者展示了如何在实际应用中运用Python语言实现时间序列预测。

在第1章中，作者首先对时间序列预测的机器学习方法进行了概述，引入了监督学习的概念，并介绍了如何使用pandas进行时间序列预测的基本操作和实验设置。这为后续深入探讨打下了基础。

第2章重点讲述了如何在云端设计完整的时间序列预测解决方案。从业务理解、数据源提取，到数据探索、预处理和特征工程，再到模型的创建与选择，以及最后的模型开发和部署，详细地阐述了构建一个完整解决方案的全过程。

第3章围绕时间序列数据的准备展开，包括数据的处理和缺失值的处理等内容。数据准备是预测的重要环节，处理得当的数据能显著提升预测的准确性。

第4章介绍了时间序列预测中的自回归和自动方法，如自回归（AR）、移动平均（MA）、自回归移动平均（ARMA）和季节性自回归移动平均（SARMA）等，以及自动化机器学习在其中的应用。

第5章深入探讨了基于机器学习的时间序列预测。阐述了机器学习在时间序列预测中的优势，对比了集成学习与单一学习方法。还详细介绍了循环神经网络，包括简单循环神经网络、长短期记忆网络（LSTM）和门控循环单元（GRU），并指导读者如何选择合适的网络用于预测。

最后，第6章介绍了时间序列预测模型的部署，包括使用Azure机器学习服务进行实验设置和模型部署，并给出了时间序列预测解决方案体系结构的示例，如训练和部署ARIMA模型。

这本书通过丰富的理论知识和实践操作，为数据科学家、机器学习工程师以及对时间序列预测感兴趣的读者提供了全面而深入的指导，是一本非常实用的技术书籍。