人工智能：python 实现 第十一章，序列数据的概率推理介绍

序列数据的概率推理

在这一章节中，我们将学习怎样构建序列学习模型。我们将学习怎样使用Pandas处理时间序列数据.我们将弄明白怎样分割连续的时间数据，并且执行各种操作。我们将讨论如何在滚动的基础上从时间序列数据中提取各种统计数据。我们将学习隐马尔科夫模型，并实现一个系统来构建这些模型。我们将明白怎样使用条件随机场算法(CRF)来分析字母表序列。我们将讨论怎样使用目前学到的技术分析股票市场数据

在本章结束后，你将学到：

• 使用Pandas处理时间序列数据
• 对时间序列分片
• 操作时间序列数据
• 从时间序列中提取数据
• 使用隐马尔科夫模型产生数据
• 使用CRF识别字母表序列
• 股票市场分析

弄明白序列数据

        在机器学习的世界，我们会碰到各种数据，例如图像，文本，视频，传感器读数等等。不同类型的数据需要不同的模型进行处理。序列数据指的是顺序很重要的数据。时间序列数据就是一种特殊的序列的表示。

        基本上，任何数据源都包含带时间戳的数据，例如传感器、手机、股票市场等等。时间序列有很多重要的，需要被建模的特点，这样可以更高效的分析数据。

    我们在时间序列数据中采用的测量方法是在固定时间间隔内进行的，并与预先确定的参数相对应。这些测量以时间线进行存储，并且她们的出现顺序是非常重要的。我们使用这个顺序重数据中提取出模式。

    在本节中，我么将明白怎样构建刻画给定时间序列的数据或者任何一般的序列数据。这些模型被用来理解时间序列变量的行为。我们之后使用这些模型预测未来基于过去的行为。

        时间序列数据分析被广泛的应用在金融分析，传感器数据分析，语音识别，经济，天气预报，还有很多其他的领域。我们将探索各种涉及时间序列数据的场景，并且看看能否给出一个解决方案。我们将使用一个叫做Pandas 的第三方库来处理于操作相关的时间序列。我们也将使用一些其他有用的包，像hmmlearn和pystruct 。确保你时间之前安装了这些包。

.