Python預(yù)測(cè)之美：數(shù)據(jù)分析與算法實(shí)戰(zhàn)（雙色）課件模板

python預(yù)測(cè)之美：數(shù)據(jù)分析與算法實(shí)戰(zhàn)（雙色）演講人202x-11-112020第1篇預(yù)測(cè)入門(mén)第1篇預(yù)測(cè)入門(mén)1認(rèn)識(shí)預(yù)測(cè)1.1什么是預(yù)測(cè)1.2前沿技術(shù)1.3python預(yù)測(cè)初步1.2前沿技術(shù)1.3Python預(yù)測(cè)初步1認(rèn)識(shí)預(yù)測(cè)2預(yù)測(cè)方法論2預(yù)測(cè)方法論2.1預(yù)測(cè)流程2.2指導(dǎo)原則2.3團(tuán)隊(duì)構(gòu)成3探索規(guī)律3探索規(guī)律3.1相關(guān)分析3.2因果分析3.3聚類(lèi)分析3.4關(guān)聯(lián)分析4特征工程4特征工程4.1特征變換4.2特征組合4.3特征評(píng)價(jià)4.4特征學(xué)習(xí)第2篇預(yù)測(cè)算法第2篇預(yù)測(cè)算法5參數(shù)優(yōu)化5參數(shù)優(yōu)化5.1交叉驗(yàn)證5.2網(wǎng)格搜索5.3遺傳算法5.4粒子群優(yōu)化5.5模擬退火6線(xiàn)性回歸及其優(yōu)化6線(xiàn)性回歸及其優(yōu)化6.1多元線(xiàn)性回歸6.2ridge回歸6.3lasso回歸6.4分位數(shù)回歸6.5穩(wěn)健回歸6.2Ridge回歸6.3Lasso回歸6.4分位數(shù)回歸6.5穩(wěn)健回歸7復(fù)雜回歸分析7.1梯度提升回歸樹(shù)（gbrt）7.2深度神經(jīng)網(wǎng)絡(luò)7.3支持向量機(jī)回歸7.4高斯過(guò)程回歸7.2深度神經(jīng)網(wǎng)絡(luò)7.3支持向量機(jī)回歸7.4高斯過(guò)程回歸7復(fù)雜回歸分析8時(shí)間序列分析8時(shí)間序列分析8.1box-jenkins方法8.2門(mén)限自回歸模型8.3garch模型族8.4向量自回歸模型8.5卡爾曼濾波8.6循環(huán)神經(jīng)網(wǎng)絡(luò)8時(shí)間序列分析8.7長(zhǎng)短期記憶網(wǎng)絡(luò)第3篇預(yù)測(cè)應(yīng)用第3篇預(yù)測(cè)應(yīng)用9短期日負(fù)荷曲線(xiàn)預(yù)測(cè)9短期日負(fù)荷曲線(xiàn)預(yù)測(cè)9.1電力行業(yè)負(fù)荷預(yù)測(cè)介紹9.2短期日負(fù)荷曲線(xiàn)預(yù)測(cè)的基本要求9.3預(yù)測(cè)建模準(zhǔn)備9.4基于dnn算法的預(yù)測(cè)9.5基于lstm算法的預(yù)測(cè)9.2短期日負(fù)荷曲線(xiàn)預(yù)測(cè)的基本要求9.3預(yù)測(cè)建模準(zhǔn)備9.4基于DNN算法的預(yù)測(cè)9.5基于LSTM算法的預(yù)測(cè)10股票價(jià)格預(yù)測(cè)10股票價(jià)格預(yù)測(cè)10.1股票市場(chǎng)簡(jiǎn)介10.2獲取股票數(shù)據(jù)10.3基于var算法的預(yù)測(cè)10.4基于lstm算法的預(yù)測(cè)10.2獲取股票數(shù)據(jù)