01
课程导论与项目背景
负荷预测的定义、重要性、应用场景（电力调度、市场交易）、课程目标与整体技术栈概览。
导论背景
02
数据获取与探索性分析
公开数据集介绍（如GEFCom2014）、数据加载、基本统计量、可视化趋势与季节性。
EDA可视化
03
数据预处理实战
缺失值处理（插值、填充）、异常值检测与修正、时间戳规范化。
清洗插值
04
特征工程基础
时间特征提取（小时、星期、节假日）、滞后特征、滑动窗口统计特征。
特征窗口
05
数据划分与评估指标
训练集/验证集/测试集划分（时间序列专用）、评估指标（MAE, RMSE, MAPE）详解。
划分指标
06
基线模型搭建
简单历史平均法、朴素季节性模型，作为后续复杂模型的对比基准。
基线朴素
07
线性回归模型
使用sklearn搭建线性回归、特征标准化、模型训练与评估。
线性sklearn
08
岭回归与Lasso回归
正则化原理、参数alpha调优、特征选择效果对比。
正则化调优
09
决策树与随机森林
单棵树 vs 集成学习、随机森林参数（n_estimators, max_depth）初探。
树模型集成
10
梯度提升树（GBDT）
XGBoost与LightGBM简介、核心参数（learning_rate, n_estimators）理解。
GBDTBoosting
11
XGBoost实战
安装、默认参数训练、特征重要性分析、与随机森林结果对比。
XGBoost重要性
12
LightGBM实战
安装、叶子节点 vs 层级生长、速度优势验证、参数（num_leaves, min_data_in_leaf）调优。
LightGBM高效
13
CatBoost模型
类别特征处理优势、有序提升原理、与XGBoost/LightGBM的对比实验。
CatBoost对比
14
模型集成基础
简单平均法、加权平均法、Stacking原理与实现。
集成Stacking
15
深度学习入门
为什么用深度学习做时序预测？RNN/LSTM/GRU核心概念通俗讲解。
DLRNN
16
LSTM模型搭建（Keras）
数据格式转换（samples, timesteps, features）、搭建单层LSTM网络。
LSTMKeras
17
LSTM参数调优
神经元数量、层数、Dropout率、优化器选择（Adam vs SGD）。
调优Dropout
18
CNN-LSTM混合模型
一维CNN提取局部特征、LSTM捕捉时序依赖、模型搭建与效果评估。
CNN混合
19
注意力机制
Seq2Seq with Attention原理、在负荷预测中的应用、简单实现。
AttentionSeq2Seq
20
超参数调优基础
网格搜索（GridSearchCV）与随机搜索（RandomizedSearchCV）原理与适用场景。
网格随机
21
贝叶斯优化
原理简介（高斯过程）、使用hyperopt库进行自动调参。
贝叶斯hyperopt
22
Optuna框架实战
安装、定义目标函数、使用TPE采样器、可视化优化历史。
OptunaTPE
23
交叉验证策略
时间序列交叉验证（TimeSeriesSplit）、扩展窗口 vs 滑动窗口。
CV时序
24
特征选择与降维
基于模型的特征选择、PCA降维、SHAP值解释特征重要性。
SHAPPCA
25
模型解释性
SHAP与LIME库使用、全局解释与局部解释、实际业务落地中的价值。
可解释LIME
26
多步预测策略
递归预测、直接预测、多输出模型（seq2seq）对比与实现。
多步策略
27
概率预测
分位数回归、区间预测、Pinball Loss损失函数、在电力市场中的意义。
概率分位数
28
模型部署基础
模型序列化（pickle/ONNX）、Flask API搭建、简单前端展示。
部署Flask
29
项目实战：端到端系统
数据->特征->模型->调优->评估->部署，完整负荷预测系统搭建。
实战全流程
30
课程总结与进阶方向
常见坑点回顾、工业界 vs 学术界差异、推荐学习资源与论文。
总结进阶