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

醫學數據AI建模方法及Python實踐

  • 作者：編者:朱素玲//趙學靖|責編:牛涵波//張悅
  • 出版社：蘭州大學
  • ISBN：9787311071349
  • 出版日期：2026/04/01
  • 裝幀：平裝
  • 頁數：305
人民幣：RMB 78 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書聚焦醫學場景下的AI建模全流程，系統梳理多元統計、機器學習、深度學習等主流建模方法的理論體系，以Python為實踐工具，全面闡釋臨床診療、公共衛生等場景中數據分析的完整路徑與實用技巧。本書充分考慮醫學生的知識背景，內容設計兼顧演算法原理闡釋與醫學案例意義解讀。各章節力求深入淺出，在避免繁雜公式推導的前提下，清晰呈現模型的核心思想與適用範圍；每種方法均配有案例及可復現的Python獨立代碼，便於上手實踐與遷移應用，有助於提升解決真實醫學數據問題的實踐能力（由於Python存在多個版本，運行代碼時需要根據安裝的Python版本進行調試）。
    本書既可作為研究生與高年級本科生深入學習數據分析的進階教材，亦可為醫學科研工作者及行業從業者提供AI建模方法參考。
作者介紹
編者:朱素玲//趙學靖|責編:牛涵波//張悅
目錄
第1章  緒論
  1.1  醫學數據簡介
    1.1.1  醫學數據類型的劃分
    1.1.2  醫學數據的核心特徵
    1.1.3  醫學數據的應用價值
  1.2  醫學數據建模簡述
    1.2.1  醫學數據建模的主要目的
    1.2.2  醫學數據建模的核心流程與原則
  1.3  醫學數據建模方法
    1.3.1  統計建模方法
    1.3.2  機器學習建模方法
    1.3.3  AI建模方法
  1.4  Python在醫學數據分析與建模中的應用
    1.4.1  開發環境介紹
    1.4.2  基本函數介紹
    1.4.3  第三方程序包介紹
  1.5  醫學數據建模常用的資料庫
    1.5.1  威斯康星乳腺癌診斷數據集
    1.5.2  白血病基因表達數據集
    1.5.3  SEER數據集
    1.5.4  乳腺癌國際分子分型聯盟資料庫
    1.5.5  糖尿病數據集
    1.5.6  美國國民健康與營養調查資料庫
    1.5.7  中國健康與養老追蹤調查資料庫
    1.5.8  中國慢性病前瞻性研究資料庫
    1.5.9  中國健康與營養調查資料庫
    1.5.10  世界衛生組織死亡資料庫
    1.5.11  基因表達綜合資料庫
    1.5.12  Orphanet資料庫
第2章  多元回歸分析
  2.1  線性相關
    2.1.1  Pearson相關係數
    2.1.2  線性相關的用途
    2.1.3  注意事項
    2.1.4  案例分析
  2.2  多元線性回歸
    2.2.1  多元線性回歸的定義
    2.2.2  多元線性回歸的估計
    2.2.3  多元線性回歸的用途
    2.2.4  案例分析
  2.3  Logistic回歸
    2.3.1  參數估計與解釋
    2.3.2  Logistic回歸的用途
    2.3.3  案例分析
  2.4  Poisson回歸
    2.4.1  參數估計與解釋
    2.4.2  Poisson回歸的用途
    2.4.3  負二項回歸
    2.4.4  案例分析
第3章  模型評價與選擇

  3.1  交叉驗證
    3.1.1  建模中的數據利用簡介
    3.1.2  交叉驗證
  3.2  模型評價指標
    3.2.1  回歸任務模型的評價指標
    3.2.2  分類任務模型的評價指標
  3.3  多重共線性分析
    3.3.1  多重共線性診斷
    3.3.2  多重共線性的處理方法
    3.3.3  嶺回歸
    3.3.4  嶺回歸與最小二乘回歸
    3.3.5  案例分析
第4章  醫學高維數據的建模方法
  4.1  嵌入式方法
    4.1.1  嵌入式方法簡介
    4.1.2  常用的嵌入式方法
    4.1.3  嵌入式方法的主要用途
    4.1.4  案例分析
  4.2  濾波法
    4.2.1  常用的濾波法
    4.2.2  案例分析
  4.3  包裹式方法
    4.3.1  包裹式方法簡介
    4.3.2  常用的包裹式方法
    4.3.3  案例分析
  4.4  其他醫學高維數據建模方法
第5章  支持向量機
  5.1  支持向量機的基本概念
  5.2  支持向量分類機
    5.2.1  最優超平面
    5.2.2  支持向量
    5.2.3  軟間隔與懲罰係數
    5.2.4  核函數
    5.2.5  線性可分與線性不可分
    5.2.6  案例分析
  5.3  支持向量回歸機
    5.3.1  回歸函數的形式
    5.3.2  ε-不敏感損失函數
    5.3.3  SVR的優化問題
    5.3.4  案例分析
第6章  決策樹與集成學習
  6.1  決策樹的基本概念
    6.1.1  決策樹的基本元素
    6.1.2  決策樹的形成規則及診斷含義
    6.1.3  決策樹的預測
  6.2  分類決策樹與回歸決策樹的核心思想
    6.2.1  分類決策樹
    6.2.2  回歸決策樹
  6.3  決策樹的評價
    6.3.1  決策樹的評價指標

    6.3.2  決策樹的生長與剪枝
  6.4  CART演算法
    6.4.1  CART的建模過程
    6.4.2  案例分析
  6.5  裝袋演算法與隨機森林
    6.5.1  Bagging
    6.5.2  隨機森林
  6.6  梯度提升演算法與堆疊法
    6.6.1  自適應增強的基本原理
    6.6.2  梯度提升決策樹的基本原理
    6.6.3  堆疊法的基本原理
  6.7  案例分析
    6.7.1  集成分類的案例分析
    6.7.2  集成回歸的案例分析
第7章  人工神經網路
  7.1  人工神經網路的基礎理論
    7.1.1  人工神經元模型
    7.1.2  感知機
    7.1.3  激活函數
  7.2  BP神經網路
    7.2.1  BP的拓撲結構
    7.2.2  BP神經網路的核心工作流程
    7.2.3  案例分析
  7.3  不同神經網路之間的關聯
    7.3.1  不同層級的神經網路
    7.3.2  結構演進視角下的神經網路
    7.3.3  核心機制與醫學應用簡述
第8章  卷積神經網路
  8.1  卷積神經網路
    8.1.1  CNN的網路結構
    8.1.2  卷積操作
    8.1.3  池化操作
    8.1.4  CNN各層的功能
  8.2  AlexNet
    8.2.1  AlexNet的網路結構
    8.2.2  AlexNet各層的作用
    8.2.3  AlexNet的創新點
  8.3  ResNet
    8.3.1  ResNet的網路結構
    8.3.2  ResNet的創新點
  8.4  案例分析
第9章  深度生成模型
  9.1  生成模型簡介
    9.1.1  基本原理
    9.1.2  特徵的挖掘與重構
    9.1.3  應用價值
  9.2  自編碼器
    9.2.1  基本原理
    9.2.2  損失函數
    9.2.3  案例分析

    9.2.4  局限性與改進方向
  9.3  變分自編碼器
    9.3.1  基本原理
    9.3.2  關鍵創新
    9.3.3  案例分析
  9.4  生成對抗網路
    9.4.1  基本原理
    9.4.2  案例分析
第10章  基於AI的生存分析
  10.1  生存分析的基礎理論與經典非參數估計
    10.1.1  核心概念
    10.1.2  Kaplan-Meier估計
    10.1.3  Nelson-Aalen估計
    10.1.4  生存率的比較分析
    10.1.5  案例分析
  10.2  Cox比例風險模型
    10.2.1  基本原理
    10.2.2  一致性指數
    10.2.3  案例分析
  10.3  DeepSurv非線性模型
    10.3.1  基本原理
    10.3.2  優化策略
    10.3.3  案例分析
  10.4  Cox-Time模型
    10.4.1  基本原理
    10.4.2  預測機制
    10.4.3  案例分析
第11章  類別不平衡醫學數據的建模策略
  11.1  類別不平衡簡介
    11.1.1  類別不平衡的定義
    11.1.2  類別不平衡的模型偏差
  11.2  數據層面的處理方法
    11.2.1  三種常用採樣方法
    11.2.2  SMOTE方法
    11.2.3  案例分析
  11.3  演算法層面的處理方法
    11.3.1  代價敏感學習
    11.3.2  改進的集成學習
    11.3.3  嵌入式方法
    11.3.4  案例分析
  11.4  深度學習層面的處理方法
    11.4.1  VAE
    11.4.2  GAN
    11.4.3  類別加權交叉熵
    11.4.4  案例分析
第12章  基於深度學習的傳染病預測模型
  12.1  傳染病預測模型
    12.1.1  傳染病預測模型的定義與分類
    12.1.2  倉室模型
  12.2  基於深度學習的倉室模型

    12.2.1  深度學習在倉室模型中的應用
    12.2.2  深度學習倉室模型的局限性
    12.2.3  案例分析
第13章  聚類分析
  13.1  無監督學習
    13.1.1  無監督學習
    13.1.2  聚類演算法
  13.2  層次聚類
    13.2.1  距離
    13.2.2  簇間的連接
    13.2.3  層次聚類方法
  13.3  模糊聚類
    13.3.1  基本原理
    13.3.2  實現步驟
  13.4  密度聚類與譜聚類
    13.4.1  密度聚類
    13.4.2  譜聚類
  13.5  評價指標
    13.5.1  輪廓係數
    13.5.2  調整蘭德指數
    13.5.3  Calinski-Harabasz指數
    13.5.4  Davies-Bouldin指數
  13.6  人群健康風險分析
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