首印飞速售罄！《时间序列与机器学习》加印即将上市

随着大数据和机器学习技术的飞速发展，时间序列分析作为数据科学领域的重要分支，已经渗透到了我们生活和工作的每一个角落。从股市的波动分析到智能设备上的异常检测，时间序列数据的挖掘和应用越来越受到重视。我们很高兴地宣布，自从一个月前推出的新书《时间序列与机器学习》首印已经全部售罄，出版社目前已经加印，以满足持续增长的读者需求。

本书共包括8个章节，涵盖了时间序列分析的各个方面：

第 1 章“时间序列概述”：介绍时间序列分析的基础知识、发展历程、应用现状、分类及其与其他领域（如自然语言处理、计算机视觉等）的关联。

第 2 章“时间序列的信息提取”：介绍特征工程的核心概念及其在时间序列分析中的应用，比如对原始数据进行归一化、缺失值填充等转换；以及如何通过特征工程从时间序列数据中提取有用的特征，例如时间序列的统计特征、熵特征和降维特征等，以及如何判断时间序列的单调性。

第 3 章“时间序列预测”：介绍常用的时间序列预测方法，包括自回归模型、移动平均模型、自回归差分移动平均模型、指数平滑方法、Prophet，以及神经网络，例如循环神经网络、长短期记忆网络、Transformer、Informer 等。

第 4 章“时间序列异常检测”：介绍时间序列异常检测算法的技术与框架，如何识别异常的时间点，包括基于概率密度的方法（如3-Sigma、核密度估计）、基于重构的方法（如变分自编码器、Donut）、基于距离的方法（如孤立森林、RRCF）、基于有监督的方法和基于弱监督的方法等。

第 5 章“时间序列的相似度与聚类”：介绍时间序列的相似性度量方法，如欧氏距离、动态时间规整算法等，用于衡量两个或多个时间序列在形状和模式上的相似程度；聚类算法，如K-Means、DBSCAN等，可以将相似的时间序列分组，以便进一步理解时间序列数据中的结构和模式。

第 6 章“多维时间序列”：介绍多维时间序列在广告分析和业务运维领域的应用，包括如何利用OLAP 技术对多维时间序列进行有效处理，以及如何通过根因分析技术获得导致故障的维度和元素，包括基于时间序列异常检测算法的根因分析、基于熵的根因分析、基于树模型的根因分析、规则学习等。

第 7 章“智能运维的应用场景”：介绍智能运维领域的应用，包括指标监控、容量预估、弹性伸缩、告警关联、告警收敛和告警系统评估等，以及监控中出现的节假日效应、持续异常等实际情况。

第 8 章“金融领域的应用场景”：介绍量化交易的概念、发展历程，如何通过因子挖掘从时间序列数据中提取特征并将其转化为交易策略，以及机器学习在其他金融领域（包括资产定价、资产配置、波动率预测）的应用。