【2023新书】深度学习时间序列分析，208页pdf

深度学习是人工智能的重要组成部分，特别是在图像分类等应用中，各种神经网络架构（例如，卷积神经网络）已经产生了可靠的结果。这本书介绍了用于时间序列分析的深度学习，特别是对于周期性时间序列。它详细阐述了在其架构深层次进行时间序列分析所采用的方法。周期性时间序列通常具有可以用于更好的分类性能的特殊特征。本书对此进行了讨论。处理周期性时间序列也在本书中有所覆盖。分类随机时间序列的一个重要因素是与分类方法架构相关的结构风险。本书解决并构建了结构风险，以及为分类方法定义的学习能力。这些公式和数学推导将帮助研究者理解方法，并以客观的数学方式表达他们的方法。本书设计成为具有不同机器学习背景和理解水平的读者（包括学生，工程师，研究者和这个领域的科学家）的自学教材。书中提供的大量信息丰富的插图将引导读者对时间序列分析的深度学习方法有深入的理解。

大部分科学研究，包括计算机科学，都将学习视为发展的重要元素，其中深度机器学习最近被视为一个新兴的领域。深度机器学习方法的应用在过去的五年中受到了研究人员和工程师的热烈欢迎，当时时间序列分析在生物医学工程等不同的领域中越来越被视为一个重要的主题。尽管强大的深度学习方法的实施工具的发展在计算机科学和工程领域创造了突破，但是，向这个领域内的抽象理解的转变明显可见，尤其在年轻的开发人员中。这可能会在深度学习的一般观念上留下负面的印象，反过来又会被视为这种进步的缺点。如今，各种深度学习方法被大量开发并发布在高度知名的参考资料中，然而，只有极少数的方法包含足够的质量，能对相关社区产生真正的影响。原因之一可能是对理论基础以及实施知识的深入了解不足。这促使作者准备了一本关于深度学习方法的教科书，专为时间序列分析设计，以提出该领域的基本概念以及实施的算法。

这本书专注于一般学习过程，尤其是深度学习的深层概念，更多地关注传统方法和现代时间序列分析的基本要素。尽管图像处理被认为是深度学习的重要主题，但作者们决定将此主题从本书中排除，将其分配给未来的单独出版物。得出这个结论的主要理由是为了避免过多的多样性和失去核心关注。本书从基本定义和推测平稳过渡到方法构建。书的内容以一种能够培养和巩固时间序列分析基本要素的方式进行了教学组织。这种表示方式旨在扩大读者从科学到工程方面的视野。书中也考虑引出了一些深度学习方法在时间序列分析中的实际示例，随着生物医学工程和医学信息学应用的兴起。同时，本书以数学的方式表示深度学习方法，以帮助研究者和开发者以数学方式构建他们自己的方法。显然，新方法的数学表示相比描述性表示有更好的可读性。可以看出，新学生更倾向于使用块状图和描述性方法来学习深度学习的概念。沉迷于这种学习方式可能会使他们在数学表示的基本能力上产生误导，这可能对学习深度学习方法起到退化的作用。此外，在许多情况下都没有看到一致的图形表示。这本书也介绍了人工智能中的一些新想法。引入了A-Test验证方法，并与其他传统方法进行了比较。读者可以轻松找到这种方法在提供与其他两种替代方案相比更为现实的验证中的详细阐述。在学习模型方面，周期性时间序列和周期性学习是本书提出的另外两个新概念，也引入了一些学习方法，如时间增长神经网络，用于学习周期性时间序列。本书未涉及时间序列分析的生成模型。这些模型很适合纳入预测类别，这被视为未来工作的一部分。