资源介绍
许多现实世界的系统都可以通过时间序列来记录和呈现。因此，时间序列的分析与预测已成为众多机构的核心工作之一。深度学习是当下最热门的人工智能技术，它能利用海量数据构建复杂且精准的预测模型。
本书是一本全面的实战指南，将引导你使用 PyTorch 开发适用于时间序列数据的深度学习模型。我们将从时间序列分析的基本概念和 PyTorch 框架入手，随后深入探讨多个时间序列问题，包括预测、分类、异常检测和分层时间序列预测。你将通过一系列代码示例掌握解决这些问题的方法。
读完本书后，你将对时间序列数据问题以及如何使用基于 PyTorch 的深度学习技术解决这些问题有扎实的理解。
你将学到
理解时间序列分析的主要概念，以及如何使用 pandas 应用这些概念
了解 PyTorch 并学会用它构建深度学习模型
探索如何对时间序列进行转换，以训练 Transformer 和其他先进的深度神经网络
掌握如何处理时间序列的各种特征，如趋势、季节性或方差非恒定等
解决不同类型的预测问题，包括单变量、多变量或分层时间序列预测
了解如何将残差神经网络和卷积神经网络应用于时间序列分类问题
学习如何使用自编码器和生成对抗网络解决时间序列异常检测问题
适用人群
如果你是机器学习爱好者，或者希望学习更多关于使用深度学习构建预测应用的知识，本书将非常适合你。要从本书中学习，你需要具备 Python 和机器学习的基础知识。
目录
时间序列入门
Keras 入门
单变量时间序列预测
高级预测问题
用于时间序列预测的高级深度学习架构
概率性时间序列预测
用于时间序列分类的深度学习
用于时间序列异常检测的深度学习