預測之美：機器學習及深度學習真實生活應用

01 | 認識預測
1.1 什麼是預測
1.2 前端技術
1.3 Python 預測初步
 
02 | 預測方法論
2.1 預測流程
2.2 指導原則
2.3 團隊組成
 
03 | 探索規律
3.1 相關分析
3.2 因果分析
3.3 分群分析
3.4 連結分析
 
04 | 特徵工程
4.1 特徵轉換
4.2 特徵組合
4.3 特徵評價
4.4 特徵學習
 
05 | 參數最佳化
5.1 交換驗證
5.2 網格搜尋
5.3 遺傳演算法
5.4 粒子群最佳化
5.5 模擬退火
 
06 | 線性回歸及其最佳化
6.1 多元線性回歸
6.2 Ridge 回歸
6.3 Lasso 回歸
6.4 分位數回歸
6.5 穩健回歸
 
07 | 複雜回歸分析
7.1 梯度提升回歸樹（GBRT）
7.2 深度神經網路
7.3 支援向量機回歸
7.4 高斯過程回歸
 
08 | 時間序列分析
8.1 Box-Jenkins 方法
8.2 門檻自回歸模型
8.3 GARCH 模型族
8.4 向量自回歸模型
8.5 卡爾曼濾波
8.6 循環神經網路
8.7 長短期記憶網路
 
09 | 短期日負荷曲線預測
9.1 電力企業負荷預測介紹
9.2 短期日負荷曲線預測的基本要求
9.3 預測建模準備
9.4 基於DNN 演算法的預測
9.5 基於LSTM 演算法的預測
 
10 | 股票價格預測
10.1 股票市場簡介
10.2 取得股票資料
10.3 基於VAR 演算法的預測
10.4 基於LSTM 演算法的預測
 
A | 參考文獻

作者簡介



游皓麟

　　大數據分析、資料採擷專家，高級培訓講師。畢業於東南大學，從事大數據相關領域工作8年有餘，專注大數據架構、機器學習、資料採擷、NLP、知識圖譜等領域的方案設計、演算法研究與工程實現。在遊戲、互聯網、電信、電力、軍工等行業具有豐富的工程實踐經驗，多次作為特邀嘉賓參加行業會議並發表主題演講，著有《R語言預測實戰》等多本書籍。