時間序列數(shù)據(jù)是用于不同行業(yè)（從營銷和金融到教育、醫(yī)療和機器人）未來決策和戰(zhàn)略規(guī)劃的重要信息來源。在過去的幾十年里，基于機器學(xué)習(xí)模型的預(yù)測已經(jīng)成為私營和公共部門常用的工具。
目前，基于機器學(xué)習(xí)模型的時間序列預(yù)測的資源和教程一般分為兩類：針對特定預(yù)測場景的代碼演示，沒有概念上的細節(jié)；對預(yù)測背后的理論和數(shù)學(xué)公式的學(xué)術(shù)性解釋。這兩種方法都非常有助于學(xué)習(xí)，如果對理解理論假設(shè)背后的數(shù)學(xué)知識有興趣，強烈推薦使用這些資源。
為了解決實際的業(yè)務(wù)問題，有一個系統(tǒng)的、結(jié)構(gòu)良好的預(yù)測框架是必不可少的，數(shù)據(jù)科學(xué)家可以使用它作為參考，并應(yīng)用到現(xiàn)實世界的數(shù)據(jù)科學(xué)場景。這本實踐性的書就是這樣做的，它旨在通過一個實用的模型開發(fā)框架的核心步驟來引導(dǎo)讀者構(gòu)建、訓(xùn)練、評估和部署時間序列預(yù)測模型。
本書的部分（第1章和第2章）專門介紹時間序列的概念，包括時間序列的表示、建模和預(yù)測的基本方面。
第二部分（第3章到第6章）深入研究預(yù)測時間序列數(shù)據(jù)的自回歸和自動方法，如移動平均、差分自回歸移動平均和時間序列數(shù)據(jù)的自動化機器學(xué)習(xí)。然后介紹基于神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測，重點介紹循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等概念以及不同RNN單元的比較。后，將指導(dǎo)讀者完成在Azure上進行模型部署和操作的重要的步驟。
使用各種開源Python包和Azure，書中通過示例展示了如何將時間序列預(yù)測模型應(yīng)用于真實世界的數(shù)據(jù)科學(xué)場景。有了這些指導(dǎo)方針，讀者應(yīng)該可以在日常工作中處理時間序列數(shù)據(jù)，并選擇正確的工具來分析時間序列數(shù)據(jù)。
本書主要內(nèi)容
本書對基于機器學(xué)習(xí)和深度學(xué)習(xí)的時間序列預(yù)測的核心概念、術(shù)語、方法和應(yīng)用進行了全面的介紹，了解這些基礎(chǔ)知識可以設(shè)計更靈活、更成功的時間序列應(yīng)用。
本書包括下列各章：
第1章：時間序列預(yù)測概述　本章專門介紹時間序列的概念，包括時間序列的表示、建模和預(yù)測的基本方面，例如時間序列分析和時間序列預(yù)測的監(jiān)督學(xué)習(xí)。
我們還將了解用于時間序列數(shù)據(jù)的不同Python庫，以及pandas、statsmodels和scikit-learn之類的庫是如何進行數(shù)據(jù)處理、時間序列建模和機器學(xué)習(xí)的。
后，給出有關(guān)設(shè)置用于時間序列預(yù)測的Python環(huán)境的一般建議。
第2章：如何在云上設(shè)計一個端到端的時間序列預(yù)測解決方案　本章旨在通過介紹時間序列預(yù)測模板和現(xiàn)實世界的數(shù)據(jù)科學(xué)場景，從實踐和業(yè)務(wù)角度為時間序列預(yù)測提供端到端的系統(tǒng)指南，本書中將使用它們來展示時間序列的一些概念、步驟和技術(shù)。
第3章：時間序列數(shù)據(jù)準備　在本章中，將引導(dǎo)讀者完成為預(yù)測模型準備時間序列數(shù)據(jù)的重要步驟。良好的時間序列數(shù)據(jù)準備可以產(chǎn)生干凈且經(jīng)過精心整理的數(shù)據(jù)，有助于進行更實用、更準確的預(yù)測。
Python是一種在處理數(shù)據(jù)方面功能非常強大的編程語言，它提供了一系列用于處理時間序列數(shù)據(jù)的庫，并且對時間序列分析提供了出色的支持，這些庫包括SciPy、NumPy、Matplotlib、pandas、statsmodels和scikit-learn等。
本章還將介紹如何對時間序列數(shù)據(jù)執(zhí)行特征工程，要牢記兩個目標(biāo)：準備與機器學(xué)習(xí)算法要求相符的正確輸入數(shù)據(jù)集，并改善機器學(xué)習(xí)模型的性能。
第4章：時間序列預(yù)測的自回歸和自動方法　在本章中，將探索一些用于時間序列預(yù)測的自回歸方法，它們可以用來測試預(yù)測問題。每節(jié)提供一個方法，從一個有效的代碼示例入手，并展示了在哪里可以找到有關(guān)該方法的更多信息。
本章還將介紹用于時間序列預(yù)測的自動化機器學(xué)習(xí)，以及如何用這種方法完成模型選擇和超參數(shù)調(diào)整任務(wù)。
第5章：基于神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測　在本章中，將討論數(shù)據(jù)科學(xué)家在構(gòu)建時間序列預(yù)測解決方案時想要考慮深度學(xué)習(xí)的一些實際原因。然后介紹循環(huán)神經(jīng)網(wǎng)絡(luò)，并展示如何將幾種類型的循環(huán)神經(jīng)網(wǎng)絡(luò)用于時間序列預(yù)測。
第6章：時間序列預(yù)測的模型部署　在后一章中，介紹適用于Python的Azure機器學(xué)習(xí)SDK，以構(gòu)建和運行機器學(xué)習(xí)工作流。本章將概述SDK中的一些重要的類，以及如何使用它們在Azure上構(gòu)建、訓(xùn)練和部署機器學(xué)習(xí)模型。
通過部署機器學(xué)習(xí)模型，企業(yè)可以充分利用所構(gòu)建的預(yù)測和智能模型，轉(zhuǎn)變?yōu)閷嶋H的人工智能驅(qū)動型企業(yè)。
后，展示了如何在Azure上構(gòu)建端到端的數(shù)據(jù)管道體系結(jié)構(gòu)，并提供不同時間序列預(yù)測解決方案的通用化部署代碼。
配套下載文件
本書提供了使用Python及其技術(shù)庫的大量示例代碼和教程，讀者可以利用它們學(xué)習(xí)如何解決現(xiàn)實中的時間序列問題。
當(dāng)學(xué)習(xí)本書中的示例時，需要用到的項目文件可以從aka.ms/ML4TSFwithPython下載。
每個文件都包含示例Notebooks和數(shù)據(jù)，可以使用它們來驗證知識、實踐技術(shù)以及構(gòu)建自己的時間序列預(yù)測解決方案。