开源新书《时间序列分析,数据/方法/应用》,6章110页pdf带你了解最新进展,附下载

2019 年 11 月 20 日 专知
开源新书《时间序列分析,数据/方法/应用》,6章110页pdf带你了解最新进展,附下载

【导读】时间序列分析一直是研究的热点,在很多场景都有应用。近期,IntechOpen发布一本由Chun-Kit Ngan编辑众多领域专家撰写的新书《Time Series Analysis:Data, Methods, and Applications》,总共六章,110页pdf,提供了时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面,是值的关注的一本书。




时间序列分析



新书地址:

https://www.intechopen.com/books/time-series-analysis-data-methods-and-applications


本书旨在为读者提供时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面。本书分为三节,每节包括两章。第一部分讨论了多元时间序列和模糊时间序列的分析。第2节着重于开发用于时间序列预测和分类的深度神经网络。第3节描述了如何使用时间序列技术解决实际领域的特定问题。本书包含的概念和技术涵盖了时间序列研究的主题,学生、研究人员、实践者和教授将对时间序列预测和分类、数据分析、机器学习、深度学习和人工智能感兴趣。


目录内容:


第一章Process Fault Diagnosis for Continuous Dynamic Systems Over Multivariate Time Series (多变量时间序列上连续动态系统的过程故障诊断)

By Chris Aldrich


连续动态系统的故障诊断具有一定的挑战性,因为这些系统中的变量通常以自相关和时变参数为特征,比如均值向量、协方差矩阵和高阶统计量,而这些都不能很好地通过为稳态系统设计的方法来处理。在动态系统中,稳态方法被扩展来处理这些问题,本质上是通过特征提取来从时间序列中捕获过程动态。在这一章中,我们将回顾从信号或多元时间序列中提取特征的最新进展。这些方法随后可以在经典的统计监测框架中考虑,例如用于稳态系统。此外,讨论了基于非阈值或全局递归量化分析的非线性信号处理的扩展,其中使用了两种基于灰度共生矩阵和局部二值模式的多元图像方法从时间序列中提取特征。结合化工领域著名的模拟田纳西伊士曼过程,表明该方法获得的时间序列特征是判别系统中不同故障状态的有效手段。该方法提供了一个通用的框架,可以以多种方式扩展到时间序列分析。


第二章:Fuzzy Forecast Based on Fuzzy Time Series (基于模糊时间序列的模糊预测)

By Ming-Tao Chou


本章主要使用模糊时间序列进行区间预测和长期显著性水平分析。本研究以台湾海运运输指数(Taiwan STI)来说明预测过程。九个步骤被用来建立区间预测台湾航运和运输指数(台湾STI),和ΔS称为长期显著性水平(上/下/稳定)是用来说明长期预测显著性水平。通过区间预测和长期预测显著性水平,为相关研究人员提供该指标的未来趋势以及更多与该指标相关的内部信息。


第三章Training Deep Neural Networks with Reinforcement Learning for Time Series Forecasting (利用强化学习训练深度神经网络进行时间序列预测)

By Takashi Kuremoto, Takaomi Hirata, Masanao Obayashi, Shingo Mabu and Kunikazu Kobayashi



人工神经网络作为一种高效的非线性函数逼近器,在时间序列预测中得到了广泛的应用。人工神经网络的训练方法通常采用误差反向传播(BP), BP是Rumelhart等人1986年提出的一种监督学习算法;同时,为了提高神经网络对未知时间序列预测的鲁棒性,提出了木村和小林在1998年针对控制问题提出的随机梯度上升(SGA)强化学习算法。2012年,我们还成功地利用多个受限玻尔兹曼机(RBMs)叠加的深度信念网(DBN)实现了时间序列预测。在本章中,介绍了一种将RBMs和多层感知器(MLP)相结合,采用SGA训练算法的时间序列预测系统。实验结果表明,该系统不仅对基准数据具有较高的预测精度,而且对真实现象时间序列数据也具有较高的预测精度。



第四章:CNN Approaches for Time Series Classification (CNN方法用于时间序列分类)

By Lamyaa Sadouk


时间序列分类是时间序列数据挖掘中的一个重要领域,目前已得到了广泛的应用。虽然在过去的几十年里,它已经引起了人们极大的兴趣,但由于其数据的高维性、大数据量和不断更新的特性,它仍然是一个具有挑战性的任务,并且缺乏效率。随着深度学习的出现,出现了新的学习方法,尤其是卷积神经网络(CNN)模型。在这篇论文中,我们回顾了我们的时间序列CNN方法,包括:(i)一个基于编码时间序列的数据级方法通过斯托克变换为频域信号,(ii) algorithm-level方法基于自适应滤波器卷积层适合时间序列,和(iii)另一种algorithm-level方法适应时间序列分类注释数据有限的任务,这是一个全球性的,基于迁移学习技术的快速轻量级框架,源学习任务与目标学习任务相似或不同,但又相关。这些方法用于识别人类活动,包括典型受试者的正常运动和与失序相关的运动,如自闭症受试者的刻板运动。实验结果表明,该方法提高了时间序列分类的性能。



第五章:Forecasting Shrimp and Fish Catch in Chilika Lake over Time Series Analysis (通过时间序列分析,预测了赤喀湖虾、鱼的捕捞量)

By Rohan Kumar Raman and Basanta Kumar Das



Chilika lagoon(一个拉姆萨尔湿地)是位于印度奥里萨邦东海岸的鱼类生产和生物多样性的一个重要来源。虾的平均产量为4185吨(公吨),约占鱼类总产量的35%。本研究基于2001-2015年的季度时间序列捕虾数据,建立了SARIMA (Seasonal Auto Regressive Integrated Moving Average,季节自回归综合移动平均线)模型,并预测到2018年。根据Akaike信息准则(AIC)和Bayesian信息准则(SBC)选择最佳模型。结果显示,在第一季度(夏季),虾类平均捕捞量最高,而在第二季度第二季度(季风季节),捕捞量变化最大,在第四季度第四季度(冬季季节),2001-2015年的捕捞量变化最小。所建立的时间序列SARIMA(0,1,1)(0,1,1)4模型被认为是在泻湖中进行虾类登陆的最佳拟合模型。本文还介绍了利用Chilika湖渔业月渔获预测建立SARIMAX模型的应用。所建立的模型经验证,误差不超过10%,表明在未来几年,通过维持现有的湖泊条件,捕鱼量将会增加。



第六章:Using Gray-Markov Model and Time Series Model to Predict Foreign Direct Investment Trend for Supporting China’s Economic Development (利用Gray马尔可夫模型和时间序列模型预测支持中国经济发展的外商直接投资趋势)

By Yanyan Zheng, Tong Shu, Shou Chen and Kin Keung Lai


外国直接投资(FDI)是影响中国经济发展的重要因素之一,其预测是中国经济发展和决策的基础。基于解释中国经济增长的重要作用和利用外资的现状在此期间从2000年到2016年,这一章试图构建Gray-Markov模型(GMM)和时间序列模型(TSM)预测中国利用外商直接投资的趋势,然后比较两种不同的预测模型的精度来获得一个更好的。结果表明,传统的灰色模型虽然是合格的,但还需要进一步优化;建立GMM是为了帮助修改结果,提高灰度相关度,缩小与真实值的差距。将GMM的精度与TSM的精度进行比较,可以看出GMM的拟合效果更好。为了增加这些结果的可信度,本章基于1990年至2016年北京和重庆的数据,也验证了GMM的拟合效果优于TSM。得出GMM预测模型更可靠的结论,对利用FDI有一定的参考价值。



完整版便捷下载 请关注 专知 公众号(点击上方蓝色 专知 关注
  • 后台回复“TSA” 就可以获取时间序列分析《Time Series Analysis》电子书pdf下载链接~ 


-END-
专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加),获取专知VIP会员码,加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,了解注册成为专知会员,查看5000+AI主题知识资料
登录查看更多
54

相关内容

时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同,时间序列中的时间可以是年份、季度、月份或其他任何时间形式。

自动驾驶一直是人工智能应用中最活跃的领域。几乎在同一时间,深度学习的几位先驱取得了突破,其中三位(也被称为深度学习之父)Hinton、Bengio和LeCun获得了2019年ACM图灵奖。这是一项关于采用深度学习方法的自动驾驶技术的综述。我们研究了自动驾驶系统的主要领域,如感知、地图和定位、预测、规划和控制、仿真、V2X和安全等。由于篇幅有限,我们将重点分析几个关键领域,即感知中的二维/三维物体检测、摄像机深度估计、数据、特征和任务级的多传感器融合、车辆行驶和行人轨迹的行为建模和预测。

https://arxiv.org/abs/2006.06091

成为VIP会员查看完整内容
1
71

发现各种有用的数据挖掘算法,这些算法可以从庞大的候选数据中选择小的重要特征集,或者从测量变量中提取有用的特征。

作为一个严谨的数据挖掘程序员,您将经常面对数以千计的候选特征,用于您的预测或分类应用程序,其中大多数特征几乎没有价值或没有价值。您将知道,其中许多特征可能只有在与某些其他特征结合时才有用,而单独使用或与大多数其他特征结合时实际上是毫无价值的。有些特征可能具有巨大的预测能力,但只能在特征空间的一个小的、专门的领域内。这本书通过介绍现代的特性选择技术和实现这些技术的代码来帮助您解决这个问题。其中一些技巧是:

  • 正向选择分量分析
  • 当地的特征选择
  • 使用隐马尔可夫模型连接特征和目标

所有算法都得到了直观的证明,并得到了相关方程和解释材料的支持。作者还提供并解释了完整的、高度注释的源代码。

示例代码是C++和CUDA C,但Python或其他代码可以替换;重要的是算法,而不是用来编写算法的代码。

你将学到什么

  • 将主成分分析与向前和向后的逐步选择相结合,以确定在整个集合中捕获最大可能变异的大量变量集合的一个紧凑子集。

  • 识别仅对特征域的一个小子集具有预测能力的特征。这些特征可以被现代预测模型有效地利用,但可能被其他特征选择方法所遗漏。

  • 找出同时控制特征变量和目标分布的隐含马尔可夫模型。这种方法固有的记忆在高噪音应用中尤其有价值,例如金融市场的预测。

这本书是给谁的

中级到高级数据科学程序员和分析师。强烈推荐有c++和CUDA C的经验。然而,这本书可以作为框架使用其他语言,如Python。

成为VIP会员查看完整内容
0
42

【导读】《机器学习:贝叶斯和优化的视角》是雅典大学信息学和通信系的教授Sergios Theodoridis的经典著作,对所有主要的机器学习方法和新研究趋势进行了深入探索,涵盖概率和确定性方法以及贝叶斯推断方法。非常值得学习。

Sergios Theodoridis教授是雅典大学信息学和通信系的教授,香港中文大学(深圳)客座教授。他的研究领域是信号处理和机器学习。他的研究兴趣是自适应算法,分布式和稀疏性感知学习,机器学习和模式识别,生物医学应用中的信号处理和学习以及音频处理和检索。

他的几本著作与合著蜚声海内外,包括《机器学习:贝叶斯和优化的视角》以及畅销书籍《模式识别》。他是2017年EURASIP Athanasios Papoulis奖和2014年EURASIP Meritorious Service奖的获得者。

http://cgi.di.uoa.gr/~stheodor/

机器学习:贝叶斯和优化方法

本书对所有主要的机器学习方法和新研究趋势进行了深入探索,涵盖概率和确定性方法以及贝叶斯推断方法。其中,经典方法包括平均/小二乘滤波、卡尔曼滤波、随机逼近和在线学习、贝叶斯分类、决策树、逻辑回归和提升方法等,新趋势包括稀疏、凸分析与优化、在线分布式算法、RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。全书构建了一套明晰的机器学习知识体系,各章内容相对独立,物理推理、数学建模和算法实现精准且细致,并辅以应用实例和习题。本书适合该领域的科研人员和工程师阅读,也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。

成为VIP会员查看完整内容
0
218

本书介绍了自由软件Python及其在统计数据分析中的应用。它涵盖了连续、离散和分类数据的常见统计测试,以及线性回归分析和生存分析和贝叶斯统计的主题。每个测试的Python解决方案的工作代码和数据,以及易于遵循的Python示例,可以被读者复制,并加强他们对主题的直接理解。随着Python生态系统的最新进展,Python已经成为科学计算的一种流行语言,为统计数据分析提供了一个强大的环境,并且是R的一个有趣的替代选择。本书面向硕士和博士学生,主要来自生命和医学科学,具有统计学的基本知识。由于该书还提供了一些统计方面的背景知识,因此任何想要执行统计数据分析的人都可以使用这本书。

成为VIP会员查看完整内容
0
69

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
123

这个可访问的文本/参考提供了从工程角度对概率图模型(PGMs)的一般介绍。这本书涵盖了每一个PGMs的主要类的基础知识,包括表示、推理和学习原则,并回顾了每种类型模型的实际应用。这些应用来自广泛的学科领域,突出了贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态和时态贝叶斯网络、马尔可夫随机域、影响图和马尔可夫决策过程的多种用途。

提出了一个统一的框架,包括所有的主要类别的PGMs;描述不同技术的实际应用;检视该领域的最新发展,包括多维贝叶斯分类器、相关图模型和因果模型;在每一章的结尾提供练习,进一步阅读的建议,和研究或编程项目的想法。

成为VIP会员查看完整内容
0
75

简介: 近年来,生命科学和数据科学已经融合。机器人技术和自动化技术的进步使化学家和生物学家能够生成大量数据。与20年前的整个职业生涯相比,如今的科学家每天能够产生更多的数据。快速生成数据的能力也带来了许多新的科学挑战。我们不再处于可以通过将数据加载到电子表格中并制作几个图表来对其进行处理的时代。为了从这些数据集中提取科学知识,我们必须能够识别和提取非显而易见的关系。近年来,作为识别数据模式和关系的强大工具而出现的一种技术是深度学习,它是一类算法,它彻底改变了解决诸如图像分析,语言翻译和语音识别等问题的方法。深度学习算法擅长识别和利用大型数据集中的模式。由于这些原因,深度学习在生命科学学科中具有广泛的应用。本书概述了深度学习如何应用于遗传学,药物发现和医学诊断等多个领域。我们描述的许多示例都附带有代码示例,这些示例为方法提供了实用的介绍,并为读者提供了以后进行研究和探索的起点。

该书中代码地址:https://github.com/deepchem/DeepLearningLifeSciences

目录:

  • 生命科学
  • 深度学习介绍
  • 机器学习与深化
  • 分子与机器学习
  • 生物机器学习
  • 基因组学与深度学习
  • 显微学与机器学习
  • 医药学与深度学习
  • 生成模型
  • 深度模型的解释
  • 预测模型
  • 展望
成为VIP会员查看完整内容
0
60

简介: 深度学习无处不在。例如,当在线使用许多应用程序甚至在购物时,都会看到它。我们被深度学习所包围,甚至根本没有意识到这一点,这使学习深度学习变得至关重要,因为可以利用它做很多事情,这远远超出了您的想象。当您学习本书时,您可以在Mac,Linux或Windows系统上运行的许多示例代码。您也可以使用Google Colab之类的工具在线运行代码。 本书的第一部分为您提供了一些入门信息,除了安装一些必备软件,还会了解一些基本数学知识。

目录:

  • 说明

  • Chapter 1:深度学习介绍

    • 深度学习的意义
    • 真实世界中的深度学习
    • 深度学习项目的环境
  • Chapter 2:机器学习介绍

    • 机器学习定义
    • 思考学习的不同方法
    • 机器学习的正确使用
  • Chapter 3:使用python

    • anaconda
    • 下载数据集与代码
    • 创建应用
    • 云端使用
  • chapter 4:利用深度学习看框架

    • 框架介绍
    • 了解tensorflow
  • chapter 5:回顾数学与优化

    • 矩阵介绍
    • 理解向量,scalar等
    • 优化介绍
  • chapter 6:线性回归基础

    • 组合变量
    • 混合变量类型
    • 概率
    • 特征介绍
  • chapter 7:神经网络

    • 感知机
    • 神经网络复杂度
    • 过拟合
  • Chapter 8:构建基础神经网络

    • 理解神经网络
    • 神经网络的核心
  • Chapter 9:深度学习

    • 数据
    • 提升速度
    • 解释深度学习的不同
  • Chapter 10:解释卷积神经网络

  • Chapter 11:循环神经网络

  • Chapter 12:图片分类

  • Chapter 13:循环神经网络

  • Chapter 14:语言处理

  • Chapter 15:生成音乐和虚拟艺术

  • Chapter 16:生成对抗网络

  • Chapter 17:深度强化学习

  • Chapter 18:深度学习的应用

  • Chapter 19:十个必备的深度学习工具

  • Chapter 20:十个使用深度学习的场景

成为VIP会员查看完整内容
0
133

贝叶斯网络(Bayesian networks,BN)最近在众多领域中引发了兴趣,参与了许多不同的应用,包括经济、风险分析、资产和负债管理、人工智能和机器人、交通系统规划和优化、政治学分析、法律和法医科学评估、药理学和药物基因组学、系统生物学和代谢组学、心理学和政策制定和社会方案评价等。这种强烈的响应可以看出,结构和过程的概率贝叶斯模型是可靠的和稳定的因果关系的表示。与传统的频率统计方法相比,BN通过合并新的数据而获得增量或纵向改进的能力提供了额外的优势。本书的参与者阐明了BN这些方面的各种新的进展。

下载地址:链接: https://pan.baidu.com/s/16ZKifEDhWp-vmy1R_6C02w 提取码: 7gnx

  • 第一章 Introductory Chapter: Timeliness of Advantages of Bayesian Networks By Douglas S. McNair
  • 第二章 An Economic Growth Model Using Hierarchical Bayesian Method By Nur Iriawan and Septia Devi Prihastuti Yasmirullah
  • 第三章 Bayesian Networks for Decision-Making and Causal Analysis under Uncertainty in Aviation
  • 第四章 Using Bayesian Networks for Risk Assessment in Healthcare System
  • 第五章 Continuous Learning of the Structure of Bayesian Networks: A Mapping Study
  • 第六章 Multimodal Bayesian Network for Artificial Perception
  • 第七章 Quantitative Structure-Activity Relationship Modeling and Bayesian Networks: Optimality of Naive Bayes Model
  • 第八章 Bayesian Graphical Model Application for Monetary Policy and Macroeconomic Performance in Nigeria
成为VIP会员查看完整内容
1
89
小贴士
相关资讯
《AutoML:方法,系统,挑战》新书免费下载
新智元
16+阅读 · 2019年5月28日
421页《机器学习数学基础》最新2019版PDF下载
基于深度学习的图像超分辨率最新进展与趋势【附PDF】
人工智能前沿讲习班
10+阅读 · 2019年2月27日
资源 | 《数字图像处理》高清中文PDF
AI科技评论
15+阅读 · 2019年2月16日
下载 | 866页《计算机视觉:原理,算法,应用,学习》第五版
机器学习算法与Python学习
15+阅读 · 2019年1月1日
R语言时间序列分析
R语言中文社区
9+阅读 · 2018年11月19日
2018计算机图形学研究报告(附PDF下载)
数据派THU
6+阅读 · 2018年8月16日
相关论文
Wenwu Zhu,Xin Wang,Peng Cui
19+阅读 · 2020年1月2日
Bernhard Schölkopf
10+阅读 · 2019年11月24日
Geometric Graph Convolutional Neural Networks
Przemysław Spurek,Tomasz Danel,Jacek Tabor,Marek Śmieja,Łukasz Struski,Agnieszka Słowik,Łukasz Maziarka
7+阅读 · 2019年9月11日
Liang Yao,Chengsheng Mao,Yuan Luo
8+阅读 · 2019年9月11日
Learning latent representations for style control and transfer in end-to-end speech synthesis
Ya-Jie Zhang,Shifeng Pan,Lei He,Zhen-Hua Ling
5+阅读 · 2019年2月14日
Analysis Methods in Neural Language Processing: A Survey
Yonatan Belinkov,James Glass
4+阅读 · 2019年1月14日
Explanatory Graphs for CNNs
Quanshi Zhang,Xin Wang,Ruiming Cao,Ying Nian Wu,Feng Shi,Song-Chun Zhu
4+阅读 · 2018年12月18日
A Probe into Understanding GAN and VAE models
Jingzhao Zhang,Lu Mi,Macheng Shen
6+阅读 · 2018年12月13日
Borja Ibarz,Jan Leike,Tobias Pohlen,Geoffrey Irving,Shane Legg,Dario Amodei
4+阅读 · 2018年11月15日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Top