Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
ml-mastery-zh
提交
a6c76fa2
M
ml-mastery-zh
项目概览
OpenDocCN
/
ml-mastery-zh
9 个月 前同步成功
通知
2
Star
556
Fork
158
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
M
ml-mastery-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
a6c76fa2
编写于
12月 15, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-12-15 23:17:59
上级
204dc930
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
34 addition
and
34 deletion
+34
-34
docs/ts-intro/SUMMARY.md
docs/ts-intro/SUMMARY.md
+34
-34
未找到文件。
docs/ts-intro/SUMMARY.md
浏览文件 @
a6c76fa2
+
[
Machine Learning Mastery 时间序列入门教程
](
README.md
)
+
[
Machine Learning Mastery 时间序列入门教程
](
README.md
)
+
[
如何在 Python 中为时间序列预测创建 ARIMA 模型
](
arima-for-time-series-forecasting-with-python.md
)
+
[
如何在 Python 中为时间序列预测创建 ARIMA 模型
](
arima-for-time-series-forecasting-with-python.md
)
+
[
用 Python 进行
时间序列预测的自回归模型
](
autoregression-models-time-series-forecasting-python.md
)
+
[
Python 中用于
时间序列预测的自回归模型
](
autoregression-models-time-series-forecasting-python.md
)
+
[
如何
回溯机器学习模型的时间序列预测
](
backtest-machine-learning-models-time-series-forecasting.md
)
+
[
如何
为时间序列预测回测机器学习模型
](
backtest-machine-learning-models-time-series-forecasting.md
)
+
[
Python 中基于时间序列数据的基本特征工程
](
basic-feature-engineering-time-series-data-python.md
)
+
[
Python 中基于时间序列数据的基本特征工程
](
basic-feature-engineering-time-series-data-python.md
)
+
[
R
的
时间序列预测热门书籍
](
books-on-time-series-forecasting-with-r.md
)
+
[
R 时间序列预测热门书籍
](
books-on-time-series-forecasting-with-r.md
)
+
[
10
挑战机器学习时间序列预测
问题
](
challenge-machine-learning-time-series-forecasting-problems.md
)
+
[
10
个机器学习时间序列预测的挑战性
问题
](
challenge-machine-learning-time-series-forecasting-problems.md
)
+
[
如何将时间序列转换为 Python 中的监督学习问题
](
convert-time-series-supervised-learning-problem-python.md
)
+
[
如何将时间序列转换为 Python 中的监督学习问题
](
convert-time-series-supervised-learning-problem-python.md
)
+
[
如何将时间序列数据分解为趋势和季节性
](
decompose-time-series-data-trend-seasonality.md
)
+
[
如何将时间序列数据分解为趋势和季节性
](
decompose-time-series-data-trend-seasonality.md
)
+
[
如何用 ARCH 和 GARCH
模拟波动率进行时间序列预测
](
develop-arch-and-garch-models-for-time-series-forecasting-in-python.md
)
+
[
如何用 ARCH 和 GARCH
为时间序列预测建模波动率
](
develop-arch-and-garch-models-for-time-series-forecasting-in-python.md
)
+
[
如何
将时间序列数据集与 Python 区分开来
](
difference-time-series-dataset-python.md
)
+
[
如何
使用Python差分时间序列数据集
](
difference-time-series-dataset-python.md
)
+
[
Python 中时间序列预测的指数平滑的温和介绍
](
exponential-smoothing-for-time-series-forecasting-in-python.md
)
+
[
Python 中
用于
时间序列预测的指数平滑的温和介绍
](
exponential-smoothing-for-time-series-forecasting-in-python.md
)
+
[
用 Python 进行
时间序列预测的特征选择
](
feature-selection-time-series-forecasting-python.md
)
+
[
Python 中用于
时间序列预测的特征选择
](
feature-selection-time-series-forecasting-python.md
)
+
[
浅谈自相关和部分自相关
](
gentle-introduction-autocorrelation-partial-autocorrelation.md
)
+
[
浅谈自相关和部分自相关
](
gentle-introduction-autocorrelation-partial-autocorrelation.md
)
+
[
时间序列预测的 Box-Jenkins 方法简介
](
gentle-introduction-box-jenkins-method-time-series-forecasting.md
)
+
[
用于
时间序列预测的 Box-Jenkins 方法简介
](
gentle-introduction-box-jenkins-method-time-series-forecasting.md
)
+
[
用 Python 简要介绍时间序列的时间序列预测
](
gentle-introduction-random-walk-times-series-forecasting-python.md
)
+
[
Python 中时间序列预测的温和简介
](
gentle-introduction-random-walk-times-series-forecasting-python.md
)
+
[
如何使用 Python 网格搜索 ARIMA 模型超参数
](
grid-search-arima-hyperparameters-with-python.md
)
+
[
如何使用 Python 网格搜索 ARIMA 模型超参数
](
grid-search-arima-hyperparameters-with-python.md
)
+
[
如何在 Python 中加载和探索时间序列数据
](
load-explore-time-series-data-python.md
)
+
[
如何在 Python 中加载和探索时间序列数据
](
load-explore-time-series-data-python.md
)
+
[
如何使用 Python
对 ARIMA 模型进行手动预测
](
make-manual-predictions-arima-models-python.md
)
+
[
如何使用 Python
手动预测 ARIMA 模型
](
make-manual-predictions-arima-models-python.md
)
+
[
如何用 Python
进行时间序列预测的预测
](
make-predictions-time-series-forecasting-python.md
)
+
[
如何用 Python
预测时间序列
](
make-predictions-time-series-forecasting-python.md
)
+
[
如何使用 Python
中的 ARIMA 进行
样本外预测
](
make-sample-forecasts-arima-python.md
)
+
[
如何使用 Python
对 ARIMA 做出
样本外预测
](
make-sample-forecasts-arima-python.md
)
+
[
如何利用 Python
模拟
残差来纠正时间序列预测
](
model-residual-errors-correct-time-series-forecasts-python.md
)
+
[
如何利用 Python
建模
残差来纠正时间序列预测
](
model-residual-errors-correct-time-series-forecasts-python.md
)
+
[
使用 Python 进行数据准备,特征工程
和时间序列预测的移动平均平滑
](
moving-average-smoothing-for-time-series-forecasting-python.md
)
+
[
Python 中用于数据准备
和时间序列预测的移动平均平滑
](
moving-average-smoothing-for-time-series-forecasting-python.md
)
+
[
多步时间序列预测的 4 种策略
](
multi-step-time-series-forecasting.md
)
+
[
多步时间序列预测的 4 种策略
](
multi-step-time-series-forecasting.md
)
+
[
如何在 Python 中规范化和标准化时间序列数据
](
normalize-standardize-time-series-data-python.md
)
+
[
如何在 Python 中规范化和标准化时间序列数据
](
normalize-standardize-time-series-data-python.md
)
+
[
如何利用 Python
进行时间序列预测的
基线预测
](
persistence-time-series-forecasting-with-python.md
)
+
[
如何利用 Python
为时间序列预测做出
基线预测
](
persistence-time-series-forecasting-with-python.md
)
+
[
如何使用 Python 对时间序列预测数据
进行功率
变换
](
power-transform-time-series-forecast-data-python.md
)
+
[
如何使用 Python 对时间序列预测数据
执行幂
变换
](
power-transform-time-series-forecast-data-python.md
)
+
[
用于时间序列预测的 Python 环境
](
python-environment-time-series-forecasting.md
)
+
[
用于时间序列预测的 Python 环境
](
python-environment-time-series-forecasting.md
)
+
[
如何重构时间序列预测问题
](
reframe-time-series-forecasting-problem.md
)
+
[
如何重构时间序列预测问题
](
reframe-time-series-forecasting-problem.md
)
+
[
如何使用 Python 重采样和插值您的时间序列数据
](
resample-interpolate-time-series-data-python.md
)
+
[
如何使用 Python 重采样和插值您的时间序列数据
](
resample-interpolate-time-series-data-python.md
)
+
[
用 Python 编写 SARIMA 时间序列预测
](
sarima-for-time-series-forecasting-in-python.md
)
+
[
使用 Python 为时间序列预测编写 SARIMA
](
sarima-for-time-series-forecasting-in-python.md
)
+
[
如何在 Python 中保存 ARIMA 时间序列预测模型
](
save-arima-time-series-forecasting-model-python.md
)
+
[
如何在 Python 中保存 ARIMA 时间序列预测模型
](
save-arima-time-series-forecasting-model-python.md
)
+
[
使用 Python 进行
季节性持久性预测
](
seasonal-persistence-forecasting-python.md
)
+
[
将 Python 用于
季节性持久性预测
](
seasonal-persistence-forecasting-python.md
)
+
[
基于
ARIMA 的 Python 历史规模敏感性预测技巧分析
](
sensitivity-analysis-history-size-forecast-skill-arima-python.md
)
+
[
基于
Python 和 ARIMA 的历史规模敏感性分析的预测技巧
](
sensitivity-analysis-history-size-forecast-skill-arima-python.md
)
+
[
简单的时间序列预测模型进行测试,这样你就
不会欺骗自己
](
simple-time-series-forecasting-models.md
)
+
[
用于测试简单的时间序列预测模型,以便
不会欺骗自己
](
simple-time-series-forecasting-models.md
)
+
[
标准多变量,多步骤和多站点时间序列预测问题
](
standard-multivariate-multi-step-multi-site-time-series-forecasting-problem.md
)
+
[
标准多变量,多步骤和多站点时间序列预测问题
](
standard-multivariate-multi-step-multi-site-time-series-forecasting-problem.md
)
+
[
如何使用 Python 检查时间序列数据是否是
固定
的
](
time-series-data-stationary-python.md
)
+
[
如何使用 Python 检查时间序列数据是否是
平稳
的
](
time-series-data-stationary-python.md
)
+
[
使用 Python 进行
时间序列数据可视化
](
time-series-data-visualization-with-python.md
)
+
[
将 Python 用于
时间序列数据可视化
](
time-series-data-visualization-with-python.md
)
+
[
7 个机器学习的时间序列数据集
](
time-series-datasets-for-machine-learning.md
)
+
[
7 个机器学习的时间序列数据集
](
time-series-datasets-for-machine-learning.md
)
+
[
时间序列预测案例研究与 Python
:波士顿每月武装抢劫案
](
time-series-forecast-case-study-python-monthly-armed-robberies-boston.md
)
+
[
Python 中的时间序列预测案例研究
:波士顿每月武装抢劫案
](
time-series-forecast-case-study-python-monthly-armed-robberies-boston.md
)
+
[
Python 的时间序列预测案例研究:巴尔的摩的年度用水量
](
time-series-forecast-study-python-annual-water-usage-baltimore.md
)
+
[
Python
中
的时间序列预测案例研究:巴尔的摩的年度用水量
](
time-series-forecast-study-python-annual-water-usage-baltimore.md
)
+
[
使用 Python 进行
时间序列预测研究:法国香槟的月销售额
](
time-series-forecast-study-python-monthly-sales-french-champagne.md
)
+
[
Python 中的
时间序列预测研究:法国香槟的月销售额
](
time-series-forecast-study-python-monthly-sales-french-champagne.md
)
+
[
使用 Python
的置信区间理解时间序列预测
不确定性
](
time-series-forecast-uncertainty-using-confidence-intervals-python.md
)
+
[
使用 Python
和预测区间理解时间序列预测的
不确定性
](
time-series-forecast-uncertainty-using-confidence-intervals-python.md
)
+
[
11 Python 中的经典时间序列预测方法(备忘单)
](
time-series-forecasting-methods-in-python-cheat-sheet.md
)
+
[
11
个
Python 中的经典时间序列预测方法(备忘单)
](
time-series-forecasting-methods-in-python-cheat-sheet.md
)
+
[
使用 Python 进行
时间序列预测表现测量
](
time-series-forecasting-performance-measures-with-python.md
)
+
[
将 Python 用于
时间序列预测表现测量
](
time-series-forecasting-performance-measures-with-python.md
)
+
[
使用 Python 7 天迷你课程进行时间序列预测
](
time-series-forecasting-python-mini-course.md
)
+
[
Python 中的时间序列预测的 7 天迷你课程
](
time-series-forecasting-python-mini-course.md
)
+
[
时间序列预测作为监督学习
](
time-series-forecasting-supervised-learning.md
)
+
[
作为监督学习的时间序列预测
](
time-series-forecasting-supervised-learning.md
)
+
[
什么是时间序列预测?
](
time-series-forecasting.md
)
+
[
什么是时间序列预测?
](
time-series-forecasting.md
)
+
[
如何使用 Python 识别和删除时间序列数据的季节性
](
time-series-seasonality-with-python.md
)
+
[
如何使用 Python 识别和删除时间序列数据的季节性
](
time-series-seasonality-with-python.md
)
+
[
如何在 Python 中使用和删除时间序列数据中的趋势信息
](
time-series-trends-in-python.md
)
+
[
如何在 Python 中使用和删除时间序列数据中的趋势信息
](
time-series-trends-in-python.md
)
+
[
如何在 Python 中调整 ARIMA 参数
](
tune-arima-parameters-python.md
)
+
[
如何在 Python 中调整 ARIMA 参数
](
tune-arima-parameters-python.md
)
+
[
如何用 Python 可视化时间序列残差预测错误
](
visualize-time-series-residual-forecast-errors-with-python.md
)
+
[
如何用 Python 可视化时间序列预测残差
](
visualize-time-series-residual-forecast-errors-with-python.md
)
+
[
白噪声时间序列与 Python
](
white-noise-time-series-python.md
)
+
[
Python中的白噪声时间序列
](
white-noise-time-series-python.md
)
+
[
如何通过时间序列预测项目
](
work-time-series-forecast-project.md
)
+
[
如何处理时间序列预测项目
](
work-time-series-forecast-project.md
)
\ No newline at end of file
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录