幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

大數據解析與應用導論(新工科自動化國家級特色專業系列教材)

  • 作者：編者:趙春暉|責編:郝英華
  • 出版社：化學工業
  • ISBN：9787122409966
  • 出版日期：2022/09/01
  • 裝幀：平裝
  • 頁數：286
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    信息時代，大數據的應用無處不在。手機中「淘寶」「抖音」的商品推送、短視頻內容推送背後，是大數據用戶畫像及推薦演算法；道路上的「一路綠燈」背後，是智能交通——交通管理部門分析、調整交通情況；新冠肺炎疫情不漏一人的流調背後，是智慧「戰疫」——有關部門以「大數據+網格化」的方式識別和挖掘目標人群遷徙軌跡；智慧電廠「一鍵啟停、無人值守」的背後，是以大數據為基礎的工業級智能化應用。本書從大數據解析的基本概念講起，「庖丁解牛」式地為大家講解大數據解析中常用的基礎演算法，介紹不同演算法的基本原理和適用場合，揭開大數據解析的神秘面紗。「紙上得來終覺淺，絕知此事要躬行。」本書結合研究實例，以問題為導向，深入淺出，引導大家「根據釘子選擇鎚子」，領略大數據的魅力。
    本書是數據分析及相關課程的教學用書，適用於高等院校自動化、數據科學與大數據技術、人工智慧等涉及數據挖掘相關的專業的本科生。
作者介紹
編者:趙春暉|責編:郝英華
目錄
1  緒論
  1.1  統計學基礎
    1.1.1  期望、方差、協方差
    1.1.2  一元高斯分佈
    1.1.3  多元高斯分佈
    1.1.4  KL散度
  1.2  人工智慧簡介
    1.2.1  人工智慧的概念
    1.2.2  人工智慧的發展
    1.2.3  人工智慧的學派
  1.3  機器學習
    1.3.1  基本概念
    1.3.2  機器學習的範式
    1.3.3  機器學習的三要素
    1.3.4  過擬合與正則化
    1.3.5  偏差與方差
  1.4  深度學習
    1.4.1  生物神經網路
    1.4.2  人工神經網路
    1.4.3  主流的深度學習框架
  本章小結
  習題
  參考文獻
2  數據預處理與特徵工程
  2.1  數據預處理
    2.1.1  數據清洗
    2.1.2  數據變換
  2.2  特徵工程
    2.2.1  特徵提取
    2.2.2  特徵選擇
  2.3  應用實例
    2.3.1  數據集簡介與環境準備
    2.3.2  數據集導入與欄位理解
    2.3.3  缺失值處理
    2.3.4  異常值處理
    2.3.5  數據變換
    2.3.6  特徵工程
    2.3.7  案例小結
  本章小結
  習題
  參考文獻
3  數據降維
  3.1  數據降維簡介
  3.2  主成分分析演算法
    3.2.1  主成分分析演算法簡介
    3.2.2  主成分分析的數學原理
    3.2.3  主成分分析的直觀理解
  3.3  慢特徵分析演算法
    3.3.1  慢特徵分析演算法簡介
    3.3.2  慢特徵分析的數學原理

    3.3.3  慢特徵分析的直觀理解
  3.4  應用實例
    3.4.1  主成分分析的數值示例
    3.4.2  主成分分析的應用示例
  本章小結
  習題
  參考文獻
4  回歸分析
  4.1  回歸分析基本概念
    4.1.1  回歸的起源
    4.1.2  回歸模型的建立及應用
    4.1.3  回歸模型分類
    4.1.4  回歸模型效果評估
  4.2  最小二乘回歸
    4.2.1  最小二乘法擬合目標
    4.2.2  最小二乘回歸原理
    4.2.3  最小二乘法的幾何意義
    4.2.4  最小二乘法的缺陷
  4.3  嶺回歸與LASSO回歸
    4.3.1  嶺回歸演算法
    4.3.2  LASSO回歸演算法
    4.3.3  線性回歸模型的正則化項
  4.4  主元回歸
    4.4.1  維數災難
    4.4.2  主元回歸建模
    4.4.3  主成分個數選取
    4.4.4  主元回歸與嶺回歸
  4.5  偏最小二乘回歸
    4.5.1  偏最小二乘建模
    4.5.2  目標函數與演算法推導
    4.5.3  潛變數個數確定
  4.6  回歸案例分析
  本章小結
  習題
  參考文獻
5  聚類分析
  5.1  基本思想與概念
    5.1.1  聚類的概念
    5.1.2  聚類演算法分類
  5.2  相似性度量
    5.2.1  相似性度量的基本概念
    5.2.2  距離度量
    5.2.3  相關係數
    5.2.4  選擇相似性衡量手段的原則
  5.3  K-均值聚類演算法簡介
    5.3.1  演算法思想
    5.3.2  演算法流程
    5.3.3  演算法關鍵影響因素
    5.3.4  演算法應用：圖像壓縮
  5.4  高斯混合模型簡介

    5.4.1  演算法介紹
    5.4.2  利用GMM演算法進行聚類
    5.4.3  演算法示例
  本章小結
  習題
  參考文獻
6  判別分析
  6.1  基本理論
    6.1.1  判別的基本概念
    6.1.2  判別的效果評估
  6.2  距離判別
  6.3  貝葉斯判別
    6.3.1  貝葉斯的統計思想
    6.3.2  貝葉斯最小錯誤率判別
    6.3.3  貝葉斯最小風險判別
    6.3.4  先驗概率的選取
    6.3.5  多總體貝葉斯判別準則
    6.3.6  多總體貝葉斯判別函數
  6.4  Fisher判別
    6.4.1  Fisher判別的基本思想
    6.4.2  Fisher判別的優化目標
    6.4.3  多分類問題
    6.4.4  Fisher判別的分析步驟
    6.4.5  案例分析
  本章小結
  習題
  參考文獻
7  支持向量機
  7.1  線性可分支持向量機
    7.1.1  線性可分的概念
    7.1.2  間隔最大化
    7.1.3  支持向量機求解
  7.2  軟間隔支持向量機
  7.3  非線性支持向量機
  7.4  支持向量回歸
  7.5  支持向量機實例
    7.5.1  線性可分支持向量機實例
    7.5.2  非線性支持向量機實例
  本章小結
  習題
  參考文獻
8  典型相關分析
  8.1  基本概念
    8.1.1  CCA的歷史及用途
    8.1.2  CCA的思想
    8.1.3  CCA的擴展方法
  8.2  典型相關分析演算法介紹
  8.3  CCA演算法拓展
    8.3.1  多視角CCA
    8.3.2  核CCA

    8.3.3  深度CCA
    8.3.4  判別CCA
    8.3.5  局部保留CCA
  8.4  典型相關分析案例分析
    8.4.1  案例一：城市競爭力分析
    8.4.2  案例二：多標籤分類
  本章小結
  習題
  參考文獻
9  決策樹與隨機森林
  9.1  決策樹基本內容
  9.2  決策樹演算法介紹
    9.2.1  信息熵和信息增益
    9.2.2  剪枝演算法
  9.3  隨機森林介紹
  9.4  應用實例
    9.4.1  Python實現決策樹
    9.4.2  Python實現隨機森林
  本章小結
  習題
  參考文獻
10  神經網路
  10.1  基本概念
    10.1.1  基本結構——神經元模型
    10.1.2  感知機
    10.1.3  多層前饋神經網路
    10.1.4  激活函數
    10.1.5  誤差反向傳播演算法
  10.2  深度神經網路
    10.2.1  模型優化方法
    10.2.2  參數初始化
    10.2.3  數據預處理
    10.2.4  防止過擬合
    10.2.5  數據增強
  10.3  寬度學習（BLS）簡介
    10.3.1  BLS產生背景
    10.3.2  RVFLNN簡介
    10.3.3  BLS演算法介紹
    10.3.4  BLS實際應用案例
  本章小結
  習題
  參考文獻
11  卷積神經網路
  11.1  卷積神經網路基礎
    11.1.1  卷積
    11.1.2  池化（pooling）
    11.1.3  卷積神經網路的優點
    11.1.4  LeNet
  11.2  卷積網路進階與實例
    11.2.1  特殊的卷積核

    11.2.2  卷積網路實例
  本章小結
  習題
  參考文獻
12  循環神經網路
  12.1  循環神經網路基礎
    12.1.1  RNN的用途
    12.1.2  RNN的結構及工作方式
    12.1.3  LSTM的結構及計算方式
  12.2  循環神經網路進階
    12.2.1  殘差循環神經網路
    12.2.2  門控循環單元GRU
    12.2.3  雙向循環神經網路
    12.2.4  堆疊循環神經網路
  本章小結
  習題
  參考文獻
13  自編碼器
  13.1  自編碼器簡介
    13.1.1  回顧：監督學習、半監督學習、無監督學習
    13.1.2  生成模型與判別模型
    13.1.3  自編碼器的公式化表述
    13.1.4  關於自編碼器的討論
    13.1.5  常見的自編碼器變體
  13.2  稀疏自編碼器
    13.2.1  稀疏自編碼器結構
    13.2.2  堆棧自編碼器結構
    13.2.3  堆棧稀疏自編碼器
  13.3  去噪自編碼器
    13.3.1  原理介紹
    13.3.2  訓練過程
    13.3.3  堆棧去噪自編碼器
    13.3.4  稀疏去噪自編碼器
    13.3.5  流形學習角度看去噪自編碼器
    13.3.6  小結
  13.4  變分自編碼器
    13.4.1  變分自編碼器的引出
    13.4.2  變分自編碼器的推導
    13.4.3  變分自編碼器的網路結構
    13.4.4  變分自編碼器的實例
    13.4.5  變分自編碼器的拓展
    13.4.6  小結
  本章小結
  習題
  參考文獻
14  集成學習
  14.1  集成學習簡介
    14.1.1  基本概念與模型結合策略
    14.1.2  小結
  14.2  集成學習：Bagging

    14.2.1  演算法簡介
    14.2.2  Bagging演算法的自助採樣
    14.2.3  Bagging演算法的結合策略
    14.2.4  偏差與方差分析
  14.3  集成學習：Boosting
    14.3.1  演算法簡介
    14.3.2  AdaBoost
    14.3.3  GBDT
  14.4  應用實例
    14.4.1  Bagging實例：Random Forest
    14.4.2  Boosting實例：AdaBoost
  本章小結
  習題
  參考文獻
15  案例分析
  15.1  二手車交易價格預測
    15.1.1  案例背景
    15.1.2  數據概覽與評測標準
    15.1.3  整體思路
    15.1.4  數據分析與預處理
    15.1.5  特徵工程與特徵篩選
    15.1.6  平均值編碼
    15.1.7  數據建模與融合
    15.1.8  小結
  15.2  糖尿病的血糖預測
    15.2.1  背景介紹
    15.2.2  數據獲取
    15.2.3  數據預處理
    15.2.4  演算法與實驗結果
    15.2.5  小結
  15.3  工業蒸汽量預測
    15.3.1  數據集介紹
    15.3.2  數據清洗與特徵工程
    15.3.3  基本回歸模型訓練與分析
    15.3.4  XGBoost模型訓練與結果分析
    15.3.5  小結
  15.4  雙盲降噪自編碼器實現降噪
    15.4.1  軟測量任務需求
    15.4.2  問題分析
    15.4.3  去噪演算法概述
    15.4.4  雙盲降噪自編碼器
    15.4.5  DBDAE降噪與軟測量
    15.4.6  小結
  15.5  心率異常檢測
    15.5.1  心電圖數據
    15.5.2  基於殘差神經網路的心電診斷
    15.5.3  基於知識+特徵工程的心電診斷
    15.5.4  小結
  本章小結
  習題

  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032