Python 时间序列机器学习（第2版）：内容简介
本书围绕可在生产环境中运行的时间序列系统展开，先说明时间依赖、数据诊断、可视化、经典统计基线和验证方法，再进入基于树的模型、特征工程、多元与层级预测、深度学习和时间序列基础模型。第二版还把共形预测区间、漂移检测、部署监控、异常识别、间歇性需求与生存分析纳入完整工作流。书中强调算法只是预测系统的一部分，数据工程、验证策略、不确定性量化和持续监控共同决定模型是否可靠，并用案例说明模式突变时的生产风险。
时间序列机器学习：主要内容
- 诊断自相关、平稳性、季节性及时间序列的可预测信号
- 建立指数平滑、ARIMA 和 Theta 等经典统计基线
- 使用特征工程、树模型、深度学习处理预测任务
- 学习多元、层级预测及时间序列基础模型的适用边界
- 利用共形预测构建并评估不确定性区间
- 设计部署、扩展、漂移检测、监控与生产失效应对流程
适合哪些读者
适合熟悉 Python、Pandas、Scikit-learn、基础概率与机器学习概念，希望开发生产级预测系统的数据科学家、机器学习工程师和分析师。
书中框架、基础模型与平台接口以原作版本为准；出版方附加 PDF、试用或在线权益不属于本站商品承诺。
目录、试读与相关阅读
请在本页“目录与试读”中查看章节和正文节选，在“书籍资料”中核对英文原名、作者、版本与文件大小。进一步阅读可参照面向数据工程师的 Linux、图神经网络：概念与应用，结合各书的前置要求选择后续主题。
继续浏览人工智能与 AI 工程，或查看EPUB 阅读与下载帮助。
目录与试读
目录
章节与主要小节（依据 EPUB 导航整理）：
前言
本书读者对象
本书内容简介
如何充分利用本书
联系我们
迈向现代预测
预测方法的演变
什么是时间序列？
何时智能模型会失效？
为什么仅靠算法是不够的
为什么选择 Python？
常见陷阱及规避方法
摘要
延伸阅读
获取本书 PDF 版本及更多内容
时间序列数据准备与可视化
技术要求
数据理解的数学基础
构建时间序列数据管道
通过可视化发现模式
可预测性评估
摘要
经典模型与验证
为什么统计方法很重要
预测中基线的作用
经典基线
验证与指标
摘要
获取本书 PDF 版本及更多内容
使用机器学习进行预测
作为回归任务的预测
机器学习预测工作流
工具的作用
工作所需工具
创建机器学习预测
摘要
特征工程与基于树的模型
技术要求
特征工程
高级特征工程
选择树模型
混合建模与分解
自动化特征工程
摘要
获取本书 PDF 版本及更多内容
多元与层级预测
多元模型
层级模型
案例研究：预测澳大利亚旅游
摘要
延伸阅读
时间序列的实用深度学习
技术要求
为什么选择深度学习？
基础模型
线性与基于 MLP 的模型
Transformer 模型
二维与分解模型
模型选择
训练深度学习模型的实用技巧
延伸阅读
摘要
获取本书 PDF 版本及更多内容
使用共形预测量化时间序列不确定性
不确定性带来的问题
共形预测框架
使用 mapie 的固定宽度区间
使用共形化分位数回归 (CQR) 的自适应区间
现代时间序列生态系统的配方
不可交换时间序列的共形预测
生产就绪的不确定性
金融波动性建模
选择不确定性方法
摘要
延伸阅读
基础模型：定量与定性预测
基础模型架构分类
时间序列基础模型的需求
定量基础模型
定性与多模态预测
关键挑战
摘要
获取本书 PDF 版本及更多内容
生产工作流：部署、监控与扩展
生产差距
时间序列部署的架构模式
数据工程
扩展策略
部署策略
监控与可观测性
高级失效模式与缓解
摘要
超越预测：专门化应用
时间序列分类与结构模式识别
管理非平稳性
因果推断
摘要
获取本书 PDF 版本及更多内容
间歇性预测与生存分析
间歇性需求预测
事件发生时间与生存分析
生存分析与预测调和
总结
解锁你的专属权益
三步轻松解锁本书免费权益
你可能会喜欢的其他书籍
试读节选
时间序列问题在工业界和学术界都至关重要，其应用范围从股票市场分析到零售业中的消费者行为预测。随着机器学习（ML）应用于时间序列领域的发展，实践者面临着庞大的库和算法集合。然而，构建可靠的预测系统需要理解时间序列与大多数 ML 方法所假设的横截面数据的根本区别。本书将教授如何从头到尾构建此类系统：包括现代模型（如时间序列基础模型）、全局与层级预测、保形预测区间、漂移检测以及生产环境所要求的运维习惯。
