應(yīng)用數(shù)據(jù)分析：原理與應(yīng)用
定 價(jià)：79 元
叢書(shū)名：數(shù)據(jù)科學(xué)與工程技術(shù)叢書(shū)
- 作者：[澳]約翰遜·I.阿比尼亞(Johnson I. Agbinya)
- 出版時(shí)間：2021/9/1
- ISBN：9787111690443
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：O212.1
- 頁(yè)碼：
- 紙張：膠版紙
- 版次：
- 開(kāi)本：16開(kāi)
本書(shū)結(jié)合開(kāi)源和面向商業(yè)的計(jì)算平臺(tái)，從實(shí)用的角度，全面系統(tǒng)闡述數(shù)據(jù)分析技術(shù)及其應(yīng)用，內(nèi)容涵蓋機(jī)器學(xué)習(xí)基礎(chǔ)、深度學(xué)習(xí)、人工智能、統(tǒng)計(jì)學(xué)和進(jìn)化學(xué)習(xí)等。
需要進(jìn)行分析且在某些情況下需要實(shí)時(shí)處理的數(shù)據(jù)大量出現(xiàn)，例如醫(yī)學(xué)應(yīng)用中的X射線圖像、網(wǎng)絡(luò)安全數(shù)據(jù)、犯罪數(shù)據(jù)、電信和股票市場(chǎng)數(shù)據(jù)、健康記錄、商業(yè)分析數(shù)據(jù)等，這迫使人們探索處理超大量數(shù)據(jù)的快速算法。包括R、RapidMiner和Weka在內(nèi)的應(yīng)用程序和平臺(tái)為分析提供了基礎(chǔ)，但這些平臺(tái)的使用者往往很少關(guān)注或根本不關(guān)注對(duì)數(shù)據(jù)結(jié)果有很大影響的底層數(shù)學(xué)和處理過(guò)程，導(dǎo)致無(wú)法解釋結(jié)果或糾正錯(cuò)誤，甚至無(wú)法發(fā)現(xiàn)錯(cuò)誤。
本書(shū)試圖通過(guò)提供一些大數(shù)據(jù)分析中較受歡迎的技術(shù)來(lái)彌補(bǔ)這一差距。當(dāng)使用廣泛可用的開(kāi)源和商業(yè)化計(jì)算平臺(tái)、語(yǔ)言和可視化系統(tǒng)進(jìn)行大數(shù)據(jù)分析時(shí)，本書(shū)相當(dāng)有用。與這些平臺(tái)結(jié)合在一起，本書(shū)提供了處理大數(shù)據(jù)所需的一整套工具，可以快速實(shí)現(xiàn)和應(yīng)用。
本書(shū)對(duì)機(jī)器學(xué)習(xí)基礎(chǔ)、深度學(xué)習(xí)、人工智能、統(tǒng)計(jì)和演化學(xué)習(xí)的綜合概念進(jìn)行了充分的解釋，提供了相關(guān)的應(yīng)用程序，適合本科生、研究生和大數(shù)據(jù)分析愛(ài)好者閱讀。
本書(shū)可以緩解人們對(duì)數(shù)據(jù)分析相關(guān)數(shù)學(xué)知識(shí)的恐懼，并有助于開(kāi)發(fā)人工智能、環(huán)境傳感器數(shù)據(jù)建模和分析、健康信息學(xué)、商業(yè)數(shù)據(jù)分析、物聯(lián)網(wǎng)數(shù)據(jù)及深度學(xué)習(xí)應(yīng)用。
二十多年前，世界上許多電子工程和計(jì)算實(shí)驗(yàn)室都致力于信號(hào)處理研究。信號(hào)處理專家通常大量應(yīng)用線性代數(shù)和微積分從信號(hào)中獲得洞察。近年來(lái)，信號(hào)處理概念與統(tǒng)計(jì)數(shù)據(jù)分析相結(jié)合，開(kāi)創(chuàng)了大數(shù)據(jù)分析的新領(lǐng)域。信號(hào)處理的再生打開(kāi)了許多組織作為高性能工業(yè)數(shù)據(jù)應(yīng)用金礦的數(shù)據(jù)存儲(chǔ)庫(kù)。數(shù)據(jù)分析應(yīng)用概念源自應(yīng)用統(tǒng)計(jì)學(xué)、數(shù)據(jù)挖掘、人工智能和深度學(xué)習(xí)。
本書(shū)中的許多概念都是對(duì)深度學(xué)習(xí)和人工智能基礎(chǔ)知識(shí)的簡(jiǎn)化。在本書(shū)中，我們解釋了基本的數(shù)學(xué)概念，并對(duì)研究生和準(zhǔn)研究生經(jīng)常感到困難的課題給予了極大的關(guān)注。本書(shū)涵蓋卡爾曼濾波器、馬爾可夫鏈、隱馬爾可夫模型（HMM）、神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法、有限狀態(tài)機(jī)和計(jì)算圖。關(guān)于統(tǒng)計(jì)學(xué)的章節(jié)假定讀者具備本科階段的統(tǒng)計(jì)學(xué)基礎(chǔ)知識(shí)，對(duì)更難理解的概念進(jìn)行了深入的解釋，包括主成分分析，以及使用概率生成函數(shù)、矩母函數(shù)、特征函數(shù)的統(tǒng)計(jì)分布。
本書(shū)中介紹的大多數(shù)算法基礎(chǔ)都是穩(wěn)定的，信號(hào)處理和應(yīng)用統(tǒng)計(jì)專家已經(jīng)使用了數(shù)十年。它們同樣適用于生物信息學(xué)、數(shù)據(jù)聚類和分類、數(shù)據(jù)可視化、傳感器應(yīng)用和跟蹤。
本書(shū)主要針對(duì)研究生課程，提供了捕獲、理解、分析、設(shè)計(jì)和開(kāi)發(fā)數(shù)據(jù)分析框架所需的相關(guān)數(shù)學(xué)工具與概念，還簡(jiǎn)化了數(shù)據(jù)分析軟件程序的開(kāi)發(fā)以及數(shù)據(jù)分析在各個(gè)行業(yè)中的應(yīng)用。通過(guò)簡(jiǎn)化算法并使用相關(guān)的工作示例，本書(shū)能幫助你理解將來(lái)繼續(xù)學(xué)習(xí)數(shù)據(jù)分析時(shí)使用的其他概念。
本書(shū)有兩章來(lái)自我以前的研究生，還有一章來(lái)自其他人。這些章節(jié)是長(zhǎng)期應(yīng)用基本概念的結(jié)果。我們向教師、研究生和導(dǎo)師、課程和算法設(shè)計(jì)師、數(shù)據(jù)和大數(shù)據(jù)分析以及深度學(xué)習(xí)領(lǐng)域的開(kāi)發(fā)人員推薦本書(shū)。有效掌握這些基礎(chǔ)內(nèi)容，你將有能力獲得關(guān)于數(shù)據(jù)分析和深度學(xué)習(xí)的更深入的實(shí)踐見(jiàn)解。
譯者序
前言
致謝
關(guān)于作者
貢獻(xiàn)者名單
縮略語(yǔ)
第1章 馬爾可夫鏈及其應(yīng)用1
1.1簡(jiǎn)介1
1.2定義1
1.2.1狀態(tài)空間2
1.2.2軌跡2
1.3使用馬爾可夫鏈的預(yù)測(cè)5
1.3.1初始狀態(tài)5
1.3.2長(zhǎng)期概率6
1.4馬爾可夫鏈的應(yīng)用8
第2章隱馬爾可夫建模10
2.1隱馬爾可夫建模表示法10
2.2釋放概率11
2.3隱馬爾可夫模型12
2.3.1建立HMM12
2.3.2圖形形式的HMM13
2.4HMM中的三大問(wèn)題16
2.4.1表示法16
2.4.2問(wèn)題1的解決方案：似然估計(jì)16
2.5狀態(tài)轉(zhuǎn)移表19
2.5.1輸入符號(hào)表20
2.5.2輸出符號(hào)表20
2.6問(wèn)題3的解決方案：找到HMM20
2.7練習(xí)21
第3章卡爾曼濾波器入門(mén)23
3.1簡(jiǎn)介23
3.2標(biāo)量形式23
3.3矩陣形式26
3.3.1狀態(tài)變量的模型27
3.3.2狀態(tài)的高斯表示29
3.4狀態(tài)矩陣32
3.4.1對(duì)象在單個(gè)方向上移動(dòng)的
狀態(tài)矩陣32
3.4.2二維運(yùn)動(dòng)對(duì)象的狀態(tài)矩陣35
3.4.3在三維空間中移動(dòng)的對(duì)象36
3.5帶有噪聲的卡爾曼濾波器模型38
參考文獻(xiàn)38
第4章卡爾曼濾波器II39
4.1簡(jiǎn)介39
4.2卡爾曼濾波器中的處理步驟39
4.2.1協(xié)方差矩陣39
4.2.2協(xié)方差矩陣的計(jì)算方法41
4.2.3卡爾曼濾波器中的迭代45
第5章遺傳算法50
5.1簡(jiǎn)介50
5.2遺傳算法的步驟50
5.3遺傳算法的相關(guān)術(shù)語(yǔ)51
5.4適應(yīng)度函數(shù)52
5.5選擇54
5.5.1輪盤(pán)賭54
5.5.2交叉54
5.6化單個(gè)變量的函數(shù)56
5.7連續(xù)遺傳算法58
5.7.1地形圖的海拔58
5.7.2遺傳算法在傳感器溫度記錄中的應(yīng)用60
參考文獻(xiàn)61
第6章計(jì)算圖的微積分62
6.1簡(jiǎn)介62
6.2復(fù)合表達(dá)式63
6.3計(jì)算偏導(dǎo)數(shù)63
6.4積分計(jì)算66
6.4.1梯形法則66
6.4.2辛普森法則67
6.5多徑復(fù)合導(dǎo)數(shù)67
第7章支持向量機(jī)69
7.1簡(jiǎn)介69
7.2支持向量機(jī)的數(shù)學(xué)基礎(chǔ)70
7.2.1超平面簡(jiǎn)介70
7.2.2平行超平面71
7.2.3兩平行平面之間的距離72
7.3支持向量機(jī)問(wèn)題73
7.3.1問(wèn)題定義73
7.3.2線性可分情況73
7.4超平面的定位（素?cái)?shù)問(wèn)題）75
7.4.1確定邊界75
7.4.2點(diǎn)xi與分離超平面的距離76
7.4.3求解超平面問(wèn)題77
7.5拉格朗日優(yōu)化函數(shù)78
7.5.1單約束優(yōu)化78
7.5.2多約束優(yōu)化79
7.5.3Karush-Kuhn-Tucker條件81
7.6SVM優(yōu)化問(wèn)題81
7.6.1原始SVM優(yōu)化問(wèn)題81
7.6.2對(duì)偶優(yōu)化問(wèn)題82
7.7線性SVM數(shù)據(jù)84
7.7.1松弛變量85
7.7.2使用核的非線性數(shù)據(jù)分類86
參考文獻(xiàn)90
第8章人工神經(jīng)網(wǎng)絡(luò)91
8.1簡(jiǎn)介91
8.2神經(jīng)元91
第9章神經(jīng)網(wǎng)絡(luò)訓(xùn)練101
9.1簡(jiǎn)介101
9.2神經(jīng)網(wǎng)絡(luò)架構(gòu)101
9.3反向傳播模型101
9.4帶有計(jì)算圖的反向傳播示例104
9.5反向傳播104
9.6神經(jīng)網(wǎng)絡(luò)實(shí)用訓(xùn)練106
9.6.1前向傳播106
9.6.2反向傳播108
9.7權(quán)重方法的初始化111
9.7.1Xavier初始化111
9.7.2批處理標(biāo)準(zhǔn)化112
9.8結(jié)論112
參考文獻(xiàn)113
第10章循環(huán)神經(jīng)網(wǎng)絡(luò)114
10.1簡(jiǎn)介114
10.2實(shí)例114
10.3原理116
第11章卷積神經(jīng)網(wǎng)絡(luò)124
11.1簡(jiǎn)介124
11.2卷積矩陣124
11.3卷積核125
11.4卷積神經(jīng)網(wǎng)絡(luò)術(shù)語(yǔ)129
11.4.1概念和超參數(shù)129
11.4.2CNN處理階段131
11.4.3池化層133
11.4.4全連接層134
11.5CNN設(shè)計(jì)原則134
11.6結(jié)論135
參考文獻(xiàn)135
第12章主成分分析136
12.1簡(jiǎn)介136
12.2定義136
12.3主成分計(jì)算141
12.3.1使用向量投影的PCA141
12.3.2使用協(xié)方差矩陣進(jìn)行PCA計(jì)算142
12.3.3使用奇異值分解的PCA144
12.3.4PCA的應(yīng)用145
參考文獻(xiàn)146
第13章矩母函數(shù)147
13.1隨機(jī)變量的矩147
13.1.1隨機(jī)變量的中心矩147
13.1.2矩特性148
13.2一元矩母函數(shù)149
13.3矩母函數(shù)的級(jí)數(shù)表示150
13.3.1概率質(zhì)量函數(shù)的性質(zhì)151
13.3.2概率分布函數(shù)f（x）的性質(zhì)151
13.4離散隨機(jī)變量的矩母函數(shù)151
13.4.1伯努利隨機(jī)變量151
13.4.2二項(xiàng)隨機(jī)變量152
13.4.3幾何隨機(jī)變量153
13.4.4泊松隨機(jī)變量153
13.5連續(xù)隨機(jī)變量的矩母函數(shù)154
13.5.1指數(shù)分布154
13.5.2正態(tài)分布154
13.5.3伽馬分布155
13.6矩母函數(shù)的性質(zhì)156
13.7多元矩母函數(shù)156
13.8矩母函數(shù)的應(yīng)用157
第14章特征函數(shù)158
14.1簡(jiǎn)介158
14.2離散單隨機(jī)變量的特征函數(shù)159
14.2.1泊松隨機(jī)變量的特征函數(shù)159
14.2.2二項(xiàng)隨機(jī)變量的特征函數(shù)159
14.2.3連續(xù)隨機(jī)變量的特征函數(shù)159
第15章概率生成函數(shù)161
15.1簡(jiǎn)介161
15.2離散概率生成函數(shù)161
15.2.1概率生成函數(shù)的性質(zhì)162
15.2.2伯努利隨機(jī)變量的概率生成函數(shù)163
15.2.3二項(xiàng)隨機(jī)變量的概率生成函數(shù)163
15.2.4泊松隨機(jī)變量的概率生成函數(shù)163
15.2.5幾何隨機(jī)變量的概率生成函數(shù)164
15.2.6負(fù)二項(xiàng)隨機(jī)變量的概率生成函數(shù)165
15.3概率生成函數(shù)在數(shù)據(jù)分析中的應(yīng)用167
15.3.1離散事件應(yīng)用167
15.3.2傳染病建模168
參考文獻(xiàn)170
第16章基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字身份管理系統(tǒng)171
16.1簡(jiǎn)介171
16.2數(shù)字身份度量171
16.3身份解析172
16.4生物識(shí)別系統(tǒng)架構(gòu)173
16.4.1指紋識(shí)別174
16.4.2人臉識(shí)別174
16.5信息融合175
16.6人工神經(jīng)網(wǎng)絡(luò)176
16.7多模式數(shù)字身份管理系統(tǒng)實(shí)現(xiàn)177
16.7.1終端、指紋掃描儀和攝像頭177
16.7.2指紋和人臉識(shí)別SDK178
16.7.3數(shù)據(jù)庫(kù)178
16.7.4驗(yàn)證：連接到主機(jī)并選擇驗(yàn)證178
16.8結(jié)論179
參考文獻(xiàn)179
第17章物聯(lián)網(wǎng)數(shù)據(jù)分類的概率神經(jīng)網(wǎng)絡(luò)分類器182
17.1簡(jiǎn)介182
17.2概率神經(jīng)網(wǎng)絡(luò)182
17.3廣義回歸神經(jīng)網(wǎng)絡(luò)184
17.4向量量化GRNN185
17.5試驗(yàn)工作188
17.6結(jié)論與未來(lái)工作189
參考文獻(xiàn)189
第18章分層概率有限狀態(tài)機(jī)的MML學(xué)習(xí)與推斷191
18.1簡(jiǎn)介191
18.2有限狀態(tài)機(jī)和PFSM192
18.2.1有限狀態(tài)機(jī)的數(shù)學(xué)定義192
18.2.2狀態(tài)圖中的FSM表示192
18.3PFSM的MML編碼和推斷195
18.3.1建模PFSM195
18.3.2使用MML推斷PFSM198
18.4分層概率有限狀態(tài)機(jī)203
18.4.1定義HPFSM204
18.4.2HPFSM假設(shè)H的MML斷言代碼205
18.4.3HPFSM轉(zhuǎn)移的編碼206
18.5試驗(yàn)207
18.5.1人工數(shù)據(jù)集試驗(yàn)207
18.5.2ADL數(shù)據(jù)集試驗(yàn)211
18.6小結(jié)214
參考文獻(xiàn)215
練習(xí)解答217
書(shū)單推薦
