用于时间序列预测的深度学习
使用 Python 中的 MLP、CNN 和 LSTM 预测未来
47 美元
深度学习方法为时间序列预测提供了诸多前景，例如自动学习时间依赖性和自动处理趋势和季节性等时间结构。
这本新电子书以您所熟悉的友好型机器学习精通风格编写，跳过数学部分，直接获取结果。
通过清晰的解释、标准的 Python 库（Keras 和 TensorFlow 2）以及分步教程，您将发现如何为自己的时间序列预测项目开发深度学习模型。
关于本电子书
- 所有设备均可阅读：PDF 格式电子书，无 DRM。
- 海量教程：5 25 节分步课程，575 页。
- 真实世界项目：2 个大型端到端教程项目。
- 多样化数据：单变量、多变量、多步等等。
- 可运行代码：包含 131 个 Python (.py) 代码文件。
清晰、完整的端到端示例。
心动了吗？
Saad Mouti 博士后研究员
这本书非常清晰，文笔流畅，易于应用。此外，Jason 总能及时回应问题，乐于助人，随时准备提供建议，帮助读者针对性地解决他们正在尝试的机器学习问题，或者提供指导。我绝对推荐这本书。
Claude Pelletier 机器学习负责人
这本优秀的图书涵盖并比较了时间序列的深度学习方法和经典方法。代码清晰，易于转移到我自己的工作中。
……为什么是深度学习？
深度学习在时间序列预测中的前景
传统上，时间序列预测一直由线性方法主导，因为它们易于理解且在许多简单的预测问题上有效。
深度学习神经网络能够自动学习从输入到输出的任意复杂映射，并支持多输入和多输出。
多层感知机 (MLP)
通常，多层感知机 (MLP) 等神经网络提供了一些算法所不具备的功能，例如：
- 对噪声具有鲁棒性。神经网络对输入数据和映射函数中的噪声具有鲁棒性，甚至可以支持在缺失值存在的情况下进行学习和预测。
- 非线性。神经网络不对映射函数做出强假设，并且很容易学习线性和非线性关系。
- 多变量输入。可以指定任意数量的输入特征，为多变量预测提供直接支持。
- 多步预测。可以指定任意数量的输出值，从而提供
对多步甚至多变量预测的直接支持。
仅凭这些功能，前馈神经网络可能对时间序列预测很有用。
卷积神经网络 (CNN)
卷积神经网络 (CNN) 是一种专门为高效处理图像数据而设计的神经网络。
卷积神经网络（CNN）学习和自动从原始输入数据中提取特征的能力可以应用于时间序列预测问题。一系列观测数据可以被视为一维图像，CNN 模型可以读取并提炼出最显著的元素。
- 特征学习。从与所建模的预测问题直接相关的原始输入数据中自动识别、提取和提炼显著特征。
CNN 在时间序列预测中继承了多层感知器（MLP）的优点，即支持多元输入、多元输出以及学习任意但复杂的函数关系，但不需要模型直接从滞后观测中学习。相反，模型可以从大型输入序列中学习一个与预测问题最相关的表示。
长短期记忆网络 (LSTMs)
像长短期记忆网络（LSTM）这样的循环神经网络，在学习从输入到输出的映射函数时，增加了对观测之间顺序的明确处理，这是 MLP 或 CNN 所不具备的。它们是一种神经网络，原生支持由观测序列组成的输入数据。
- 原生支持序列。循环神经网络直接增加了对输入序列数据的支持。
LSTM 的这种能力在复杂的自然语言处理问题中取得了显著效果，例如神经机器翻译，模型必须学习给定语言内部以及跨语言词语之间复杂的相互关系，以便从一种语言翻译到另一种语言。
- 学习到的时间依赖性。输入观测值与预期输出最相关的上下文被学习，并且可以动态变化。
模型既学习了从输入到输出的映射，也学习了输入序列中哪些上下文对映射有用，并且可以根据需要动态地改变这个上下文。
……但如何做到？
您如何将深度学习方法应用于时间序列数据？
深度学习方法使用监督学习进行训练，并期望数据以包含输入和输出的样本形式出现。
时间序列是长序列的数字。
- 如何将时间序列转换为适合监督学习的形式？
像卷积神经网络和长短期记忆网络这样的方法期望样本具有三维结构。
- 您如何将时间序列数据转换为这种结构？
一旦数据格式正确，您必须为问题设计一个深度学习模型。这时事情就变得非常有趣了。
- 应该使用哪种架构？
- 应该使用哪些超参数？
- 如何评估模型？
- 如何进行预测？
- 如何调整模型超参数？
也许我被问到最多的主题之一是如何将深度学习方法用于时间序列预测。
我精心设计了一套教程来解决这些具体问题。
隆重推出
“深度学习用于时间序列预测”
本书旨在向您准确展示如何将深度学习方法应用于时间序列预测问题。
在撰写本书时，我设想你拥有一个数据集，并希望使用深度学习方法来解决它。我设计的章节旨在引导你完成整个过程，首先使用朴素和经典方法建立性能基线。然后，我提供了分步教程，精确展示如何为时间序列预测开发一套不同类型的神经网络模型。在涵盖了这些基础知识之后，我将通过在大型项目上一个又一个的示例，强调如何在真实世界的数据集上使用它们。
这不是一本面向初学者的书。
对深度学习方法的关注意味着我们不侧重于时间序列预测的许多其他重要领域，例如数据可视化、经典方法的工作原理、机器学习解决方案的开发，甚至深度学习方法的工作原理的深度和细节。我假设你熟悉这些入门主题。
除了提供一个操作指南，告诉你如何为自己的时间序列预测问题开发深度学习模型外，我还设计了这本书来突出深度学习方法可能最有前景的领域。深度学习可能是复杂和具有挑战性的时间序列预测的未来，我认为这本书将帮助你入门并在自己的预测问题上取得快速进展。我希望你同意我的看法，并像我一样对未来的旅程充满期待。
……您将：
培养时间序列预测的实用技能
您可以立即应用
预测问题
您将完成 5 种不同类型的时间序列预测问题。
- 单变量。随时间推移的单个观测序列。
- 多变量。随时间推移的多个相互关联的观测值。
- 多步。预测未来多个时间步。
- 多变量多步。预测多个不同序列的未来多个时间步。
- 分类。给定随时间推移的观测序列，预测一个离散类别。
深度学习算法
您将发现 4 种深度学习方法，可用于开发可靠的时间序列预测方法。
- MLP。经典的神经网络架构，包括如何网格搜索模型超参数。
- CNN。简单的 CNN 模型以及多通道模型和高级多头、多输出模型。
- LSTM。简单的 LSTM 模型、堆叠 LSTM、双向 LSTM 和用于序列到序列学习的编码器-解码器模型。
- 混合模型。MLP、CNN 和 LSTM 模型的混合模型，例如 CNN-LSTM、ConvLSTM 等。
基准方法
您将发现 3 种方法，可用于为您的时间序列预测问题开发稳健的基线。
- 简单预测方法。诸如朴素或持久性预测和平均方法，以及如何优化它们的性能。
- 自回归预测方法。诸如 ARIMA 和季节性 ARIMA (SARIMA) 等方法，以及如何网格搜索它们的超参数。
- 指数平滑预测方法。诸如单次、二次和三次指数平滑（也称为 ETS）等方法，以及如何网格搜索它们的超参数。
真实世界项目
您将完成 3 种主要类型的真实世界实用时间序列预测项目。
- 单变量数据集。预测销售额、出生率、温度等一系列数据集。
- 家庭用电量。预测单个家庭每周的总用电量。
- 人体活动识别。根据智能手机加速度计数据预测特定类型的运动。
……那么这本书适合您吗？
这本书适合谁？
让我们确保您来对了地方。
本书适用于了解一些应用机器学习和一些深度学习的开发者。这不是一本初学者书籍。
也许你希望或需要在你的研究项目或工作项目中使用深度学习进行时间序列预测。本书旨在通过将多年的知识和经验压缩成一套专注于实践教程的课程，帮助你快速高效地实现这一目标。
本指南以您在机器学习精通中习惯的自上而下、结果优先的风格编写。
本书中的课程对您有几点假设。
您需要了解
- 您需要了解 Python 编程基础知识。
- 您需要了解时间序列数据处理的基础知识。
- 您需要了解深度学习方法的基础知识。
您不需要了解
- 您不需要是数学天才！
- 您无需成为深度学习专家！
- 您无需成为时间序列预测大师！
……那么读完之后，您会了解什么呢？
关于您的学习成果
本书将教您如何取得成果。
阅读并完成本书后，
您将了解:
- 关于神经网络和深度学习方法在时间序列预测中的前景。
- 如何转换时间序列数据以训练监督学习算法，例如深度学习方法。
- 如何使用朴素方法和经典方法开发基线预测，以此判断深度学习模型的预测是否有效。
- 如何开发用于时间序列预测的多层感知机、卷积神经网络、长短期记忆网络和混合神经网络模型。
- 如何预测单变量、多变量、多步和多变量多步时间序列预测问题。
- 如何将序列数据转换为三维结构，以训练卷积和 LSTM 神经网络模型。
- 如何网格搜索深度学习模型超参数，以确保从给定模型获得良好性能。
- 如何准备数据和开发深度学习模型，以预测具有不同时间结构的一系列单变量时间序列问题。
- 如何准备数据和开发深度学习模型，以对真实世界家庭用电量数据集进行多步预测。
- 如何准备数据和开发深度学习模型，以进行真实世界的人体活动识别项目。
本书不会教您如何成为一名研究科学家，也不会教授特定方法背后的所有理论。它将教您如何在时间序列预测项目中取得成果并创造价值。
对应用深度学习方法的这种新理解将通过以下方式影响您处理时间序列预测问题的实践：
- 自信地使用朴素和经典方法，如 SARIMA 和 ETS，快速为各种不同的时间序列预测问题开发稳健的基线模型，这些模型的性能可以用来衡量更复杂的机器学习和深度学习模型是否增加了价值。
- 将原始时间序列预测数据转换为适合拟合监督学习算法的形式，并自信地调整滞后观测的数量和预测问题的框架。
- 快速开发用于各种不同时间序列预测问题的 MLP、CNN、RNN 和混合深度学习模型，并自信地评估和解释它们的性能。
本书不能替代深度学习或时间序列预测的本科课程，也不是此类课程的教科书，尽管它可能是一个有用的补充。有关顶级课程、教科书和其他资源的良好列表，请参阅每个教程末尾的“进一步阅读”部分。
……那么电子书里有什么？
25 个分步教程，助您成为
深度学习时间序列从业者
本书围绕与时间序列预测直接相关的主要深度学习技术进行设计。
你可以学习很多关于深度学习和时间序列预测的知识，从理论到抽象概念再到 API。我的目标是让你通过专注于教程，直接培养对你必须理解的元素的直觉。
我设计这些教程是为了重点介绍如何使用深度学习方法获得结果。这些教程为您提供了工具，可以快速理解并应用每种技术或操作。
每个课程的设计阅读和完成时间约为一小时，不包括扩展阅读和进一步阅读。
您可以选择每天完成一节课，每周完成一节课，或者按照自己的节奏进行。我认为动量至关重要，这本书旨在被阅读和使用，而不是闲置。我建议您选择一个时间表并坚持执行。
教程分为六个部分
- 第一部分：基础知识。温和地介绍了深度学习方法在时间序列预测中的前景、时间序列预测问题的类型分类、如何为监督学习准备时间序列数据，以及在时间序列预测问题中通常获得最佳性能模型的高级程序。
- 第二部分：深度学习建模。提供了将深度学习方法应用于不同类型时间序列预测问题的分步介绍，并附有额外的教程以更好地理解某些模型所需的 3D 结构。
- 第三部分：单变量预测。提供了一种有条不紊的单变量时间序列预测方法，重点关注通常已知优于深度学习方法的朴素和经典方法，以及如何网格搜索深度学习模型的超参数。
- 第四部分：多步预测。提供了一系列分步教程，用于通过经典和深度学习方法解决一个具有挑战性的多步时间序列预测问题，以预测家庭用电量。
- 第五部分：时间序列分类。提供了一系列分步教程，用于解决具有挑战性的时间序列分类问题。
目录
以下是您将完成的 25 个分步教程的概述
每节课都旨在让普通开发人员在大约 30 到 60 分钟内完成。
第一部分：基础
- 第 01 课：深度学习在时间序列预测中的前景
- 第 02 课：时间序列预测问题的分类
- 第 03 课：如何开发一个高效的预测模型
- 第 04 课：如何将时间序列转换为监督学习问题
- 第 05 课：如何为 CNN 和 LSTM 准备时间序列数据
第二部分：深度学习建模
- 第 06 课：如何为 CNN 和 LSTM 准备时间序列数据
- 第 07 课：如何开发用于时间序列预测的 MLP
- 第 08 课：如何开发用于时间序列预测的 CNN
- 第 09 课：如何开发用于时间序列预测的 LSTM
第三部分：单变量预测
- 第 10 课：单变量时间序列预测的顶级方法回顾
- 第 11 课：如何开发简单的单变量预测方法
- 第 12 课：如何开发用于单变量预测的 ETS 模型
- 第 13 课：如何开发用于单变量预测的 SARIMA 模型
- 第 14 课：如何开发用于单变量预测的 MLP、CNN 和 LSTM
- 第 15 课：如何网格搜索用于单变量预测的深度学习模型
第四部分：多步预测
- 第 16 课：如何加载和探索家庭能源使用数据
- 第 17 课：如何开发用于多步能源使用预测的朴素模型
- 第 18 课：如何开发用于多步能源使用预测的 ARIMA 模型
- 第 19 课：如何开发用于多步能源使用预测的 CNN
- 第 20 课：如何开发用于多步能源使用预测的 LSTM
第五部分：时间序列分类
- 第 21 课：人体活动识别的深度学习模型回顾
- 第 22 课：如何加载和探索人体活动数据
- 第 23 课：如何开发用于人体活动识别的 ML 模型
- 第 24 课：如何开发用于人体活动识别的 CNN
- 第 25 课：如何开发用于人体活动识别的 LSTM
你可以看到每个部分都针对一个特定的学习成果，每个部分中的每个教程也是如此。这作为一个过滤器，确保你只专注于你需要了解的内容，以达到特定的结果，而不会陷入数学或几乎无限数量的配置参数中。
这些教程并非旨在教你关于每种技术或时间序列预测问题的所有知识。它们旨在让你了解它们是如何工作的，以及如何以我所知的最快方式在你的项目中使用它们：通过实践学习。
抢先看电子书内容
点击图片放大。
……您还将获得 131 个完全可用的 Python 脚本
奖励：深度学习时间序列预测代码秘籍
示例代码配方
书中展示的每个配方都是独立的，这意味着您可以将其复制粘贴到您的项目中并立即使用。
- 书中提供的每个示例，您都会得到一个 Python 脚本（.py）文件。
这意味着您可以跟着操作，并将您的答案与所提供的 Python 文件中已知可行的实现进行比较。
这在您处理特定任务的细节时，能大大加快您的进度，例如：
- 准备数据。
- 转换数据。
- 定义模型。
- 拟合模型。
- 评估模型。
- 进行预测。
提供的代码是在文本编辑器中开发的，旨在在命令行上运行。不需要特殊的 IDE 或笔记本。
所有代码示例均已使用 Python 3 和 Keras 2 进行测试。
所有代码示例都可以在普通和现代计算机硬件上运行，并且在 CPU 上执行。运行所提供的示例不需要 GPU，尽管 GPU 可以使代码运行得更快。
Python 技术细节
本节提供有关本书附带代码的一些技术细节。
- Python 版本：您可以使用 Python 3。
- SciPy：您将使用 NumPy、Pandas 和 scikit-learn。
- Keras：您需要 Keras 版本 2，并带有 Theano 或 TensorFlow 后端。
- 操作系统：您可以使用 Windows、Linux 或 Mac OS X。
- 硬件：标准现代工作站即可，不需要 GPU。
- 编辑器：您可以使用文本编辑器并在命令行中运行示例。
没有 Python 环境？
没问题！
附录包含分步教程，向您准确展示如何设置 Python 深度学习环境。
深度学习时间序列预测代码秘籍
关于作者
大家好，我是 Jason Brownlee。我运营这个网站，并撰写和出版了这本书。
我和我的妻子及儿子们住在澳大利亚。我喜欢读书、写教程和开发系统。
我拥有计算机科学和软件工程背景，以及人工智能专业的硕士和博士学位，主攻随机优化。
我写过关于算法的书籍，在比赛中获胜并排名靠前，为初创公司提供咨询，并在业界工作多年。（是的，我花了很多时间构建和维护真正的运营系统！）
帮助开发者入门并精通应用机器学习，这让我感到非常满足。
我采用一种非传统的自上而下、结果优先的机器学习教学方法，我们从实践教程和问题开始，然后在需要时再深入理论。
如果您有任何问题，我随时乐意帮助。我希望您能在机器学习领域变得出色。
下载您的样章
您想仔细看看这本书吗？下载免费的样本章节 PDF。
输入您的电子邮件地址，样章将发送到您的收件箱。
看看客户们怎么说
Abdulaziz Almalaq 从业者
这是关于时间序列预测方法的极佳入门书。深度学习方法为该主题带来了益处。此外，关于经典方法和机器学习方法预测准确性的讨论是一个很棒的主题，它开启了广泛的思考和研究。我喜欢这本书，感谢您在机器学习和深度学习应用研究领域取得的进步。
Onur Copur 业务数据分析师
这本书涵盖了时间序列预测所需的所有程序。我的期望得到了满足。谢谢您。
David Morton de Lachapelle 首席科学官
旨在解决实际问题；务实正是我所寻找的。感谢 Jason 提供的宝贵见解！
Or Bennatan 项目经理
这本书非常全面，但它的组织方式允许快速浏览并找到适合我项目的深度学习角度。在任何主题完成之前，都会在 PDF 和文件夹中提供一个简单且完全可用的示例。我用调试器跟踪代码，了解了变量的类型、形状和值。
Jason 非常乐于助人且反应迅速，如果有什么地方没有完全理解，他总是愿意回答问题，引导我阅读额外的教程（他写了很多，所有这些都让我学到了很多关于深度学习的知识），甚至会额外撰写一些文字来使事情更清晰。感谢 Jason 帮助我成为一名深度学习专家。
Casey Condran 系统专家
无论你的 Python 语言技能水平如何，这本书都是一本很棒的读物。这些教程易于理解，从初学者主题一直到非常高级。25 章渐进式学习示例，574 页精彩内容，是程序员书库中必备的一本。
在选择 Machine Learning Mastery 的路上，您并不孤单
受到超过 53,938 名从业者的信赖
...包括来自以下公司的员工
...以及来自以下大学的学生和教职员工
以及成千上万的其他人...
绝对没有风险，因为有...
100% 退款保证
此外，正如您对市场上任何优秀产品的期望一样，每一本 Machine Learning Mastery 的电子书
都附带了信心的最大保证：我的黄金标准 100% 退款保证。
100% 退款保证
如果您对购买的任何一本 Machine Learning Mastery 电子书不满意，
只需在购买后 90 天内给我发邮件，我将立即退款给您。
无需等待。不问任何问题。没有风险。
…是时候迈出下一步了。
立即将深度学习引入您的时间序列项目！
选择您的套餐
所有价格均为美元（USD）。
（1）点击按钮。 （2）输入您的信息。 （3）立即下载。
采用 SSL 加密的安全支付处理
您有任何问题吗？
机器学习技能值多少钱？
你的老板问你：
“嘿，你能为这个建立一个预测模型吗？”
想象一下，你拥有技能和信心去说：
“好的！”
...并付诸行动。
我经历过。 那感觉太棒了！
这对你来说价值多少？
行业对机器学习技能的需求日益增长。
市场需要的是能交付成果的人，而不是写学术论文的人。
企业知道这些技能的价值，并支付天价的起薪。
数据科学家的起薪为
10 万美元到 15 万美元。
机器学习工程师的薪水甚至更高。
你还有哪些选择？
你已经走到了这一步。
你准备好采取行动了。
但是，你还有哪些选择？有哪些选项？
(1) 一本 100 美元以上的理论教科书
...它枯燥乏味，充满了数学，你很可能永远也读不完。
(2) 一个 10,000 美元以上的现场训练营
...那里都是年轻人，你必须出差，而且可能需要几个月的时间。
(3) 一个 100,000 美元以上的高等学位
...它很昂贵，需要数年时间，而且你会成为一名学者。
或者...
为了你获得的实践技能...
为了你看到的成果速度...
为了你支付的低廉价格...
Machine Learning Mastery 电子书是
超值的选择！
而且它们确实有效。这就是我提供退款保证的原因。
你是一名专业人士
这个领域发展迅速，
...你还能等多久？
你以为你有的是时间，但是...
- 新方法不断涌现，算法也在变化。
- 新书不断出版，价格也在上涨。
- 新的毕业生不断涌现，职位也被填补。
现在就是开始的最佳时机。
自下而上的学习方式缓慢而令人沮丧，
...难道你不想找到一条更快的路吗？
你真的能再这样日复一日、周复一周、月复一月地...
- 从不完整的帖子中拼凑想法和代码。
- 从简短的视频中浏览理论和见解。
- 从学术教科书中解析希腊字母。
针对性训练是你通往成果的最短路径。
专业人士始终保持在领域前沿
获取你需要的培训！
你不想落后或错过机会。
常见问题
客户问题 (78)
感谢您的兴趣。
抱歉，我不支持我的书籍的第三方经销商（例如在其他书店转售）。
我的书是自出版的，我将我的网站视为一个小型精品店，专门为那些对应用机器学习深感兴趣的开发者服务。
因此，我更喜欢自己控制书籍的销售和营销。
很抱歉，我不支持在捆绑包内更换书籍。
所提供捆绑包中的书籍组合是固定的。
我的电子商务系统不够先进，不支持临时捆绑。我相信您能理解。您可以在这里查看完整的书籍和捆绑包目录
如果您已经购买了一个捆绑包，并希望更换其中的一本书，那么非常抱歉，我不支持换书或部分退款。
如果您不满意，请直接联系我，我可以为您安排退款。
感谢您的兴趣。
很抱歉，我无法为您创建定制的书籍捆绑包。这会给我带来维护上的噩梦。我相信您能理解。
我的电子商务系统不是很先进。它不支持临时捆绑书籍或点菜式订购书籍。
我确实有一些现有的书籍捆绑包，我认为它们搭配得很好。
您可以在这里查看我所有可用的书籍和捆绑包目录
抱歉，我不销售我的书的实体版。
所有的书籍和捆绑包都是 PDF 文件格式的电子书。
这是我经过深思熟虑后有意为之的决定
- 这些书充满了必须在电脑上完成的教程。
- 这些书假定您正在实践教程，而不是被动阅读。
- 这些书旨在在电脑屏幕上阅读，旁边放着代码编辑器。
- 这些书是实践手册，而不是用作参考书放在书架上。
- 这些书会频繁更新，以跟上领域和 API 的变化。
我希望这解释了我的理由。
如果您真的想要实体版，您可以购买书籍或捆绑包，并为个人使用打印一份。PDF 文件上没有数字版权管理（DRM）来阻止您打印它们。
抱歉，我不提供 Kindle (mobi) 或 ePub 版本的书籍。
这些书仅以 PDF 文件格式提供。
这是我经过深思熟虑的设计。我的理由如下：
- 我使用 LaTeX 来排版文本和代码，以提供专业的外观，我担心电子书阅读器会搞砸这一点。
- 增加支持的格式会带来维护上的麻烦，这将占用大量时间，影响我更新书籍和创作新书。
- 最关键的是，在电子阅读器或 iPad 上阅读与选择 PDF 格式所支持的书籍与代码编辑器并排打开的方法背道而驰。
我的材料是实践手册，旨在在电脑上打开，旁边放着文本编辑器和命令行。
它们不是离开电脑阅读的教科书。
您可以查看任何一本书的目录。
我在每本书的页面上都提供了两份目录。
具体来说：
- 一份书面摘要，列出了书中的教程/课程及其顺序。
- 一份从 PDF 中截取的目录截图。
如果您找不到目录，请在页面上搜索标题为“目录”的部分。
我很高兴您在开发自己的课程材料时使用我的部分材料，例如课堂讲座的幻灯片或家庭作业练习。
如果您免费分享我的材料或逐字使用，我会不高兴。这将构成版权侵犯。
我网站上和我书中的所有代码都是为教育目的而开发和提供的。我对代码、它可能做什么或您可能如何使用它不承担任何责任。
如果您使用我的材料进行教学，请引用来源，包括：
- 作者姓名，例如“Jason Brownlee”。
- 教程或书籍的标题。
- 网站名称，例如“Machine Learning Mastery”。
- 教程或书籍的 URL。
- 您访问或复制该代码的日期。
例如
- Jason Brownlee, Python 机器学习算法, Machine Learning Mastery, 网址：https://machinelearning.org.cn/machine-learning-with-python/, 访问于 2018 年 4 月 15 日。
另外，如果您的作品是公开的，请联系我，我很乐意出于一般兴趣看看它。
通常不提供。
我的书中没有练习或作业。
我确实在一些书中有端到端的项目，但它们是以教程形式呈现的，我会引导您完成每一步。
书的章节是作为独立的教程编写的，有特定的学习成果。在教程结束时，您将学会如何做某件事。
有些书有一个名为“扩展”的部分，提供了一些以更高级的方式修改教程中代码的想法。它们就像自学练习。
不行。
我有一些书不需要任何编程技能，例如：
其他书籍确实有特定编程语言的代码示例。
您必须了解该编程语言的基础知识，例如如何安装环境以及如何编写简单的程序。我不教编程，我教的是面向开发者的机器学习。
您不需要是一个好的程序员。
话虽如此，我确实为那些可能不熟悉特定语言的开发者提供了关于如何高效设置环境的教程，甚至还有编程语言的速成课程。
抱歉，我没有视频。
我只有文本格式的教程课程和项目。
这是有意为之。我曾经有过视频内容，但我发现完成率要低得多。
我希望您能将材料付诸实践。我发现基于文本的教程是实现这一目标的最佳方式。通过基于文本的教程，您必须阅读、实现并运行代码。
而通过视频，您只是被动观看，不需要采取任何行动。视频是娱乐或信息娱乐，而不是富有成效的学习和工作。
在阅读并实践教程之后，您更有可能运用所学知识。
是的，我提供 90 天无理由退款保证。
我为我的书负责。它们包含了我对特定机器学习主题的最佳知识，并且每本书都经过数万名读者的阅读、测试和使用。
尽管如此，如果您发现我的某本电子书不适合您，我会全额退款。
是的。
我建议使用在 TensorFlow 2.2（或更高版本）上运行的独立 Keras 2.4（或更高版本）。
博客上的所有教程都已更新，使用在 Tensorflow 2 上运行的独立 Keras。
所有书籍都已更新，使用相同的组合。
我还不推荐使用作为 TensorFlow 2 一部分的 Keras（例如 tf.keras）。它太新了，新事物总有问题，我正在等待尘埃落定。独立 Keras 已经运行多年，并且继续表现出色。
有一个案例的教程不支持 TensorFlow 2，因为这些教程使用了尚未更新以支持 TensorFlow 2 的第三方库。具体来说，是使用 Mask-RCNN 进行对象识别的教程。一旦第三方库更新，这些教程也将更新。
《Python 长短期记忆网络》一书不专注于时间序列预测，而是专注于一系列序列预测问题的 LSTM 方法。
《深度学习时间序列预测》一书向您展示了如何为单变量、多变量和多步时间序列预测问题开发 MLP、CNN 和 LSTM 模型。
迷你课程是关于一系列机器学习主题的免费课程，通过电子邮件、PDF 和博客文章提供。
迷你课程的特点是：
- 简短，通常为 7 天或 14 天。
- 简洁，通常每节课给出一个技巧或代码片段。
- 有限，通常范围较窄，仅限于几个相关领域。
电子书则在许多相同主题上提供完整的培训课程。
电子书的特点是：
- 更长，通常包含 25+ 个完整的教程课程，每个课程最多需要一小时完成。
- 完整，为每个课程提供温和的介绍，并包括完整的可用代码和进一步阅读材料。
- 广泛，涵盖了该主题所需的所有内容，以便快速上手并将技术应用到您自己的项目中。
迷你课程旨在让您快速获得结果。如果您想了解更多信息或更完整的代码示例，可以购买相关的电子书。
《掌握机器学习算法》一书适用于程序员和非程序员。它教授了 10 种顶级机器学习算法的工作原理，并提供了算术和电子表格中的示例，而不是代码。重点是理解每个模型如何学习和进行预测。
《从零开始的机器学习算法》一书适用于通过编写代码来理解的程序员。它提供了关于如何实现顶级算法以及如何加载数据、评估模型等的分步教程。它较少关注算法的工作原理，而是 专门关注如何在代码中实现每个算法。
这两本书可以相互补充。
这些书是我博客内容的浓缩和更便捷的版本。
我将我的书设计成课程和项目的结合体，教您如何使用特定的机器学习工具或库，然后将其应用于真实的预测建模问题。
这些书会进行更新，包括错误修复、API 变更的更新以及新章节的增加，这些更新是完全免费的。
我确实会将一些书的章节作为示例发布在博客上，但它们与周围的章节或书提供的叙事没有联系，也不提供独立的代码文件。
每本书都附带了书中使用的所有源代码文件，您可以将它们用作配方来快速启动您自己的预测建模问题。
我的书是实践手册，不是教科书。
它们没有深入的理论解释，只有可行的例子，这些例子高度专注于您需要知道的信息，以便将机器学习应用到您的项目中。
几乎没有数学，没有理论或推导。
我的读者非常欣赏我材料中使用的自上而下而非自下而上的方法。这是我收到反馈最多的一个方面。
我的书并不适合所有人，它们是为需要快速获得结果的从业者精心设计的。
电子书可以直接从我的网站上购买。
- 首先，找到您希望购买的书籍或捆绑包，您可以在这里查看完整的目录
- 点击您想购买的书籍或捆绑包，进入该书的详情页面。
- 点击书籍或捆绑包的“立即购买”按钮，进入购物车页面。
- 在购物车中填写您的详细信息和支付信息，然后点击“下单”按钮。
- 完成购买后，您将收到一封包含下载您的书籍或捆绑包链接的电子邮件。
所有价格均为美元（USD）。
书籍可以通过 PayPal 或信用卡购买。
Machine Learning Mastery 上的所有价格均为美元。
可以使用支持国际支付的 PayPal 或信用卡进行支付（例如，大多数信用卡都支持）。
您不必明确地将您的货币兑换成美元。
当您使用 PayPal 或信用卡付款时，货币转换会自动进行。
要在购物时使用折扣码，也称为优惠码或折扣券，请按照以下步骤操作：
1. 在结账页面的“折扣券”字段中输入折扣码文本。
注意，如果您在结账页面上没有看到名为“折扣券”的字段，则表示该产品不支持折扣。
2. 点击“应用”按钮。
3. 然后您会看到一条消息，表明折扣已成功应用于您的订单。
注意，如果您使用的折扣码已失效，您会看到一条消息，表明折扣未能成功应用于您的订单。
你应该按什么顺序读这些书？
这是一个很好的问题，我最好的建议如下：
- 考虑从一本您最感兴趣的主题的书开始。
- 考虑从一本您可以立即应用到项目上的主题的书开始。
另外，请考虑您不需要阅读所有的书，也许一部分书就能让您获得您需要或想要的技能。
尽管如此，一个建议的阅读顺序如下：
-
- 机器学习概率
- 机器学习的统计方法
- 机器学习线性代数
- 机器学习优化
- 机器学习微积分
- 数据科学入门指南
- 精通机器学习算法
- 从零开始实现机器学习算法
- 用于机器学习的 Python
- 使用 Weka 精通机器学习
- 精通 Python 机器学习
- 精通 R 语言机器学习
- 新一代数据科学
- 机器学习数据准备
- 使用 Python 处理不平衡分类问题
- 使用 Python 进行时间序列预测
- 使用 Python 实现集成学习算法
- 使用 Python 实现 XGBoost
- 使用 Python 进行深度学习
- 使用 PyTorch进行深度学习
- 使用 Python 构建长短期记忆网络
- 用于自然语言处理的深度学习
- 使用 Hugging Face Transformers 进行自然语言处理
- 用于计算机视觉的深度学习
- OpenCV 中的机器学习
- 用于时间序列预测的深度学习
- 更好的深度学习
- 使用 Python 构建生成对抗网络
- 使用注意力机制构建 Transformer 模型
- 使用 ChatGPT 提高生产力（这本书可以按任何顺序阅读）
- 使用 Stable Diffusion 精通数字艺术（这本书可以按任何顺序阅读）
希望这能有所帮助。
我最好的建议是，从一本您可以立即应用的主题的书开始。
除此之外，选择一个您最感兴趣的主题。
如果您不确定，或许可以尝试学习一些免费教程，看看您倾向于哪个领域。
通常，我建议专注于端到端地解决预测建模问题的整个过程。
我有三本书，通过三个顶级的开源平台，向您展示如何做到这一点。
- 精通Weka机器学习 (无需编程)
- 精通R语言机器学习 (使用caret)
- 精通Python机器学习 (使用pandas和scikit-learn)
这些都是很好的入门选择。
您随时可以回过头来，选择一本关于算法的书，以便更深入地了解特定方法的工作原理。
《Python深度学习》这本书可以看作是《Python长短期记忆网络》的预备知识。它教您如何开始使用Keras，以及如何开发您的第一个MLP、CNN和LSTM。
《Python长短期记忆网络》这本书深入探讨了LSTM，教您如何准备数据、如何开发一系列不同的LSTM架构、参数调整、更新模型等等。
这两本书都专注于使用Keras库在Python中进行深度学习。
《Python长短期记忆网络》这本书主要关注如何为序列预测开发一系列不同的LSTM网络。
《深度学习时间序列预测》一书重点介绍了如何使用一套不同的深度学习模型（MLP、CNN、LSTM 和混合模型）来解决一套不同的时间序列预测问题（单变量、多变量、多步和组合）。
LSTM这本书只教LSTM，不侧重于时间序列。而时间序列深度学习这本书则侧重于时间序列，并教授如何使用包括LSTM在内的多种不同模型。
《Python长短期记忆网络》这本书专注于如何实现不同类型的LSTM模型。
《自然语言处理深度学习》这本书专注于如何使用包括LSTM在内的多种不同网络来解决文本预测问题。
LSTM这本书可以为NLP这本书提供支持，但它不是必需的预备知识。
您可能需要“Machine Learning Mastery”公司的企业或公司税号用于您自己的税务目的。例如，这在欧盟公司中很常见。
Machine Learning Mastery 公司在波多黎各运营。
因此，公司没有欧盟的增值税（VAT）识别号或适用于您所在国家或地区的类似税号。
公司确实有一个公司编号。详细信息如下：
- 公司名称：Zeus LLC
- 公司编号: 421867-1511
在《精通机器学习算法》中没有代码示例，因此没有使用任何编程语言。
书中通过基本算术描述算法并总结其工作原理。算法的行为也在Excel电子表格中进行了演示，这些表格随书提供。
这是一本学习算法工作原理的绝佳书籍，不会被理论或编程语法所分心。
如果您有兴趣通过从头开始编码（使用Python编程语言）来学习机器学习算法，我推荐另一本书：
所有的书都经过测试，可以与Python 3（例如3.5或3.6）一起使用。
大多数书籍也经过测试，可以与Python 2.7一起使用。
在可能的情况下，我建议使用最新版本的Python 3。
我确实会先在博客上测试我的教程和项目。这就像是创意的早期体验，其中许多并没有进入我的培训材料。
书中的大部分材料最初都以某种形式出现在我的博客上，后来经过提炼、改进并以章节格式重新包装。我发现这对于提高质量和修复错误有很大帮助。
书籍提供了更方便的材料包装，包括源代码、数据集和PDF格式。它们还包括对新API的更新、新章节、错误和拼写修正，以及直接与我联系以获得我能提供的所有支持和帮助。
我相信我的书以几十美元的价格提供了价值数千美元的教育。
它们是我数月甚至数年经验的结晶，浓缩在几百页精心制作且经过充分测试的教程中。
我认为对于希望快速掌握应用机器学习技能或在项目中使用机器学习的专业开发人员来说，它们是物超所值的。
此外，机器学习技能对您、对您的下一个项目、以及对您当前或未来的雇主价值几何？
尽管如此，如果您是学生，或者您不习惯北美、澳大利亚、英国及世界类似地区开发人员的高薪，我的书的价格可能看起来很贵。对此，我感到抱歉。
折扣
我确实为学生、教师和退休人员提供折扣。
请联系我了解更多信息。
免费资料
我在我的博客上提供了大量免费内容，您可以在这里开始学习我最好的免费资料：
关于我的书籍
我的书是实战手册。
它们是为那些想知道如何使用特定库来实际解决问题并在工作中交付价值的开发人员准备的。
- 我的书只引导您了解那些为了取得成果而必须知道的要素。
- 我的书是PDF格式，并附带代码和数据集，专为方便您在电脑上阅读和实践而设计。
- 我的书让您可以通过电子邮件直接联系到我（还有哪些书能提供这个？）。
- 对于专业开发人员来说，我的书是一笔微小的业务开销，可以记入公司账目，并且在大多数地区可以抵税。
很少有机器学习培训材料专注于如何取得成果。
绝大多数资料都在重复同样的数学和理论，却忽略了您真正关心的一件事：如何在项目中使用这些方法。
与其他选项的比较
让我为您提供一些关于书籍定价的背景信息：
YouTube上有免费视频，博客上有免费教程。
- 很好，我鼓励您使用它们，包括我自己的免费教程。
有一些非常便宜的视频课程，教您一两个API的技巧。
- 我的书教您如何使用一个库来端到端地完成一个项目并交付价值，而不仅仅是几个技巧。
一本机器学习教科书可能要花费50到100美元。
- 我所有的书都比一般的机器学习教科书便宜，而且我期望您能更快地提高生产力。
一个训练营或其他线下培训可能花费1000多美元，并持续数天到数周。
- 我所有书籍的捆绑包比这便宜得多，它们允许您按自己的节奏学习，并且捆绑包涵盖的内容比一般训练营更多。
抱歉，我的书不在像Amazon.com这样的网站上销售。
出于多种原因，我慎重决定不把我的书放在亚马逊上：
- 亚马逊会从自出版书籍的销售价格中抽取65%，这会让我无法经营下去。
- 亚马逊对销售页面和购物车体验的控制权很小。
- 亚马逊不允许我通过电子邮件联系我的客户，并提供直接支持和更新。
- 亚马逊不允许我以PDF格式向客户交付我的书，而PDF是我的客户在屏幕上阅读的首选格式。
我希望这能帮助您理解我的理由。
我免费赠送了很多内容。事实上，是大部分内容。
帮助经济不宽裕的学生和从业者对我来说很重要，因此我提供了大量的免费内容。
您可以通过以下方式获取免费内容：
我对此进行了深思熟虑，我销售机器学习电子书有几个重要原因：
- 我用收入来支持网站和所有非付费用户。
- 我用收入来养家糊口，以便我能继续创作内容。
- 为教程付费的从业者更有可能认真学习并学到东西。
- 我的书目标读者是更有可能负担得起这些材料的职业人士。
是的。
您购买的书籍或捆绑包中的所有书籍更新都是免费的。
书籍通常每隔几个月更新一次，以修复错误、拼写问题并跟上API的变化。
随时联系我，查询是否有更新。请告诉我您拥有的书籍版本（版本号列在版权页上）。
是的，这些书可以帮助您找到工作，但只是间接的。
找到工作取决于您自己。
这是一个寻找职位空缺的组织与拥有技能和背景的您之间的匹配问题。
话虽如此，有些公司更看重您能为业务带来的价值，而不是您的学位。通常，这些是较小的公司和初创企业。
您可以通过学习并精通端到端解决预测建模问题来专注于提供机器学习价值。您可以通过建立一个已完成项目的机器学习作品集来展示这项技能。
我的书正是为了帮助您实现这些目标而设计的。它们准确地教您如何使用开源工具和库在预测建模项目中取得成果。
您还有其他问题吗？
请联系我.