大數(shù)據(jù)解析與應(yīng)用導(dǎo)論（趙春暉）
定 價(jià)：68 元
- 作者：趙春暉 編著
- 出版時(shí)間：2022/9/1
- ISBN：9787122409966
- 出 版 社：化學(xué)工業(yè)出版社
- 中圖法分類(lèi)：TP274
- 頁(yè)碼：286
- 紙張：
- 版次：01
- 開(kāi)本：16開(kāi)
信息時(shí)代，大數(shù)據(jù)的應(yīng)用無(wú)處不在。手機(jī)中“淘寶”“抖音”的商品推送、短視頻內(nèi)容推送背后，是大數(shù)據(jù)用戶(hù)畫(huà)像及推薦算法；道路上的“一路綠燈”背后，是智能交通——交通管理部門(mén)分析、調(diào)整交通情況；新冠肺炎疫情不漏一人的流調(diào)背后，是智慧“戰(zhàn)疫”——有關(guān)部門(mén)以“大數(shù)據(jù)+網(wǎng)格化”的方式識(shí)別和挖掘目標(biāo)人群遷徙軌跡；智慧電廠“一鍵啟停、無(wú)人值守”的背后，是以大數(shù)據(jù)為基礎(chǔ)的工業(yè)級(jí)智能化應(yīng)用。本書(shū)從大數(shù)據(jù)解析的基本概念講起，“庖丁解�！笔降貫榇蠹抑v解大數(shù)據(jù)解析中常用的基礎(chǔ)算法，介紹不同算法的基本原理和適用場(chǎng)合，揭開(kāi)大數(shù)據(jù)解析的神秘面紗�！凹埳系脕�(lái)終覺(jué)淺，絕知此事要躬行。”本書(shū)結(jié)合研究實(shí)例，以問(wèn)題為導(dǎo)向，深入淺出，引導(dǎo)大家“根據(jù)釘子選擇錘子”，領(lǐng)略大數(shù)據(jù)的魅力。
本書(shū)是數(shù)據(jù)分析及相關(guān)課程的教學(xué)用書(shū)，適用于高等院校自動(dòng)化、數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)、人工智能等涉及數(shù)據(jù)挖掘相關(guān)的專(zhuān)業(yè)的本科生。
1緒論1
1.1統(tǒng)計(jì)學(xué)基礎(chǔ)1
1.1.1期望、方差、協(xié)方差1
1.1.2一元高斯分布3
1.1.3多元高斯分布3
1.1.4KL散度4
1.2人工智能簡(jiǎn)介4
1.2.1人工智能的概念5
1.2.2人工智能的發(fā)展5
1.2.3人工智能的學(xué)派7
1.3機(jī)器學(xué)習(xí)7
1.3.1基本概念8
1.3.2機(jī)器學(xué)習(xí)的范式8
1.3.3機(jī)器學(xué)習(xí)的三要素9
1.3.4過(guò)擬合與正則化11
1.3.5偏差與方差12
1.4深度學(xué)習(xí)14
1.4.1生物神經(jīng)網(wǎng)絡(luò)14
1.4.2人工神經(jīng)網(wǎng)絡(luò)15
1.4.3主流的深度學(xué)習(xí)框架16
本章小結(jié)17
習(xí)題117
參考文獻(xiàn)18
2數(shù)據(jù)預(yù)處理與特征工程20
2.1數(shù)據(jù)預(yù)處理20
2.1.1數(shù)據(jù)清洗21
2.1.2數(shù)據(jù)變換24
2.2特征工程27
2.2.1特征提取27
2.2.2特征選擇27
2.3應(yīng)用實(shí)例30
2.3.1數(shù)據(jù)集簡(jiǎn)介與環(huán)境準(zhǔn)備30
2.3.2數(shù)據(jù)集導(dǎo)入與字段理解31
2.3.3缺失值處理31
2.3.4異常值處理32
2.3.5數(shù)據(jù)變換33
2.3.6特征工程34
2.3.7案例小結(jié)34
本章小結(jié)34
習(xí)題235
參考文獻(xiàn)36
3數(shù)據(jù)降維37
3.1數(shù)據(jù)降維簡(jiǎn)介37
3.2主成分分析算法38
3.2.1主成分分析算法簡(jiǎn)介38
3.2.2主成分分析的數(shù)學(xué)原理38
3.2.3主成分分析的直觀理解40
3.3慢特征分析算法41
3.3.1慢特征分析算法簡(jiǎn)介41
3.3.2慢特征分析的數(shù)學(xué)原理41
3.3.3慢特征分析的直觀理解43
3.4應(yīng)用實(shí)例44
3.4.1主成分分析的數(shù)值示例44
3.4.2主成分分析的應(yīng)用示例45
本章小結(jié)47
習(xí)題347
參考文獻(xiàn)48
4回歸分析50
4.1回歸分析基本概念50
4.1.1回歸的起源50
4.1.2回歸模型的建立及應(yīng)用51
4.1.3回歸模型分類(lèi)52
4.1.4回歸模型效果評(píng)估52
4.2最小二乘回歸53
4.2.1最小二乘法擬合目標(biāo)53
4.2.2最小二乘回歸原理54
4.2.3最小二乘法的幾何意義56
4.2.4最小二乘法的缺陷57
4.3嶺回歸與LASSO回歸57
4.3.1嶺回歸算法58
4.3.2LASSO回歸算法61
4.3.3線性回歸模型的正則化項(xiàng)63
4.4主元回歸64
4.4.1維數(shù)災(zāi)難64
4.4.2主元回歸建模65
4.4.3主成分個(gè)數(shù)選取65
4.4.4主元回歸與嶺回歸66
4.5偏最小二乘回歸66
4.5.1偏最小二乘建模67
4.5.2目標(biāo)函數(shù)與算法推導(dǎo)67
4.5.3潛變量個(gè)數(shù)確定69
4.6回歸案例分析70
本章小結(jié)72
習(xí)題472
參考文獻(xiàn)73
5聚類(lèi)分析75
5.1基本思想與概念75
5.1.1聚類(lèi)的概念75
5.1.2聚類(lèi)算法分類(lèi)76
5.2相似性度量77
5.2.1相似性度量的基本概念77
5.2.2距離度量77
5.2.3相關(guān)系數(shù)81
5.2.4選擇相似性衡量手段的原則82
5.3K-均值聚類(lèi)算法簡(jiǎn)介83
5.3.1算法思想83
5.3.2算法流程84
5.3.3算法關(guān)鍵影響因素85
5.3.4算法應(yīng)用：圖像壓縮86
5.4高斯混合模型簡(jiǎn)介87
5.4.1算法介紹87
5.4.2利用GMM算法進(jìn)行聚類(lèi)88
5.4.3算法示例88
本章小結(jié)91
習(xí)題591
參考文獻(xiàn)92
6判別分析93
6.1基本理論93
6.1.1判別的基本概念93
6.1.2判別的效果評(píng)估94
6.2距離判別94
6.3貝葉斯判別95
6.3.1貝葉斯的統(tǒng)計(jì)思想96
6.3.2貝葉斯最小錯(cuò)誤率判別96
6.3.3貝葉斯最小風(fēng)險(xiǎn)判別97
6.3.4先驗(yàn)概率的選取97
6.3.5多總體貝葉斯判別準(zhǔn)則98
6.3.6多總體貝葉斯判別函數(shù)98
6.4Fisher判別100
6.4.1Fisher判別的基本思想100
6.4.2Fisher判別的優(yōu)化目標(biāo)100
6.4.3多分類(lèi)問(wèn)題101
6.4.4Fisher判別的分析步驟102
6.4.5案例分析103
本章小結(jié)104
習(xí)題6104
參考文獻(xiàn)105
7支持向量機(jī)107
7.1線性可分支持向量機(jī)107
7.1.1線性可分的概念107
7.1.2間隔最大化108
7.1.3支持向量機(jī)求解109
7.2軟間隔支持向量機(jī)111
7.3非線性支持向量機(jī)112
7.4支持向量回歸114
7.5支持向量機(jī)實(shí)例116
7.5.1線性可分支持向量機(jī)實(shí)例116
7.5.2非線性支持向量機(jī)實(shí)例117
本章小結(jié)118
習(xí)題7118
參考文獻(xiàn)119
8典型相關(guān)分析120
8.1基本概念120
8.1.1CCA的歷史及用途120
8.1.2CCA的思想121
8.1.3CCA的擴(kuò)展方法122
8.2典型相關(guān)分析算法介紹122
8.3CCA算法拓展125
8.3.1多視角CCA125
8.3.2核CCA127
8.3.3深度CCA128
8.3.4判別CCA128
8.3.5局部保留CCA130
8.4典型相關(guān)分析案例分析130
8.4.1案例一：城市競(jìng)爭(zhēng)力分析130
8.4.2案例二：多標(biāo)簽分類(lèi)132
本章小結(jié)134
習(xí)題8135
參考文獻(xiàn)136
9決策樹(shù)與隨機(jī)森林138
9.1決策樹(shù)基本內(nèi)容138
9.2決策樹(shù)算法介紹139
9.2.1信息熵和信息增益140
9.2.2剪枝算法142
9.3隨機(jī)森林介紹143
9.4應(yīng)用實(shí)例145
9.4.1Python實(shí)現(xiàn)決策樹(shù)145
9.4.2Python實(shí)現(xiàn)隨機(jī)森林146
本章小結(jié)148
習(xí)題9149
參考文獻(xiàn)150
10神經(jīng)網(wǎng)絡(luò)151
10.1基本概念151
10.1.1基本結(jié)構(gòu)——神經(jīng)元模型151
10.1.2感知機(jī)152
10.1.3多層前饋神經(jīng)網(wǎng)絡(luò)153
10.1.4激活函數(shù)153
10.1.5誤差反向傳播算法155
10.2深度神經(jīng)網(wǎng)絡(luò)157
10.2.1模型優(yōu)化方法157
10.2.2參數(shù)初始化160
10.2.3數(shù)據(jù)預(yù)處理161
10.2.4防止過(guò)擬合162
10.2.5數(shù)據(jù)增強(qiáng)162
10.3寬度學(xué)習(xí)（BLS）簡(jiǎn)介163
10.3.1BLS產(chǎn)生背景163
10.3.2RVFLNN簡(jiǎn)介164
10.3.3BLS算法介紹164
10.3.4BLS實(shí)際應(yīng)用案例168
本章小結(jié)169
習(xí)題10169
參考文獻(xiàn)170
11卷積神經(jīng)網(wǎng)絡(luò)172
11.1卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)172
11.1.1卷積172
11.1.2池化（pooling）174
11.1.3卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)175
11.1.4LeNet176
11.2卷積網(wǎng)絡(luò)進(jìn)階與實(shí)例178
11.2.1特殊的卷積核178
11.2.2卷積網(wǎng)絡(luò)實(shí)例181
本章小結(jié)185
習(xí)題11185
參考文獻(xiàn)186
12循環(huán)神經(jīng)網(wǎng)絡(luò)187
12.1循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)187
12.1.1RNN的用途187
12.1.2RNN的結(jié)構(gòu)及工作方式188
12.1.3LSTM的結(jié)構(gòu)及計(jì)算方式189
12.2循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)階191
12.2.1殘差循環(huán)神經(jīng)網(wǎng)絡(luò)191
12.2.2門(mén)控循環(huán)單元GRU192
12.2.3雙向循環(huán)神經(jīng)網(wǎng)絡(luò)193
12.2.4堆疊循環(huán)神經(jīng)網(wǎng)絡(luò)194
本章小結(jié)194
習(xí)題12195
參考文獻(xiàn)196
13自編碼器197
13.1自編碼器簡(jiǎn)介197
13.1.1回顧：監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)197
13.1.2生成模型與判別模型198
13.1.3自編碼器的公式化表述199
13.1.4關(guān)于自編碼器的討論199
13.1.5常見(jiàn)的自編碼器變體200
13.2稀疏自編碼器201
13.2.1稀疏自編碼器結(jié)構(gòu)201
13.2.2堆棧自編碼器結(jié)構(gòu)203
13.2.3堆棧稀疏自編碼器206
13.3去噪自編碼器206
13.3.1原理介紹206
13.3.2訓(xùn)練過(guò)程207
13.3.3堆棧去噪自編碼器208
13.3.4稀疏去噪自編碼器209
13.3.5流形學(xué)習(xí)角度看去噪自編碼器210
13.3.6小結(jié)211
13.4變分自編碼器211
13.4.1變分自編碼器的引出212
13.4.2變分自編碼器的推導(dǎo)212
13.4.3變分自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)214
13.4.4變分自編碼器的實(shí)例214
13.4.5變分自編碼器的拓展216
13.4.6小結(jié)217
本章小結(jié)217
習(xí)題13217
參考文獻(xiàn)219
14集成學(xué)習(xí)221
14.1集成學(xué)習(xí)簡(jiǎn)介221
14.1.1基本概念與模型結(jié)合策略221
14.1.2小結(jié)225
14.2集成學(xué)習(xí)：Bagging225
14.2.1算法簡(jiǎn)介225
14.2.2Bagging算法的自助采樣226
14.2.3Bagging算法的結(jié)合策略227
14.2.4偏差與方差分析230
14.3集成學(xué)習(xí)：Boosting233
14.3.1算法簡(jiǎn)介233
14.3.2AdaBoost234
14.3.3GBDT238
14.4應(yīng)用實(shí)例240
14.4.1Bagging實(shí)例：Random Forest240
14.4.2Boosting實(shí)例：AdaBoost244
本章小結(jié)245
習(xí)題14246
參考文獻(xiàn)247
15案例分析249
15.1二手車(chē)交易價(jià)格預(yù)測(cè)249
15.1.1案例背景249
15.1.2數(shù)據(jù)概覽與評(píng)測(cè)標(biāo)準(zhǔn)249
15.1.3整體思路251
15.1.4數(shù)據(jù)分析與預(yù)處理251
15.1.5特征工程與特征篩選253
15.1.6平均值編碼253
15.1.7數(shù)據(jù)建模與融合255
15.1.8小結(jié)256
15.2糖尿病的血糖預(yù)測(cè)256
15.2.1背景介紹257
15.2.2數(shù)據(jù)獲取257
15.2.3數(shù)據(jù)預(yù)處理257
15.2.4算法與實(shí)驗(yàn)結(jié)果259
15.2.5小結(jié)263
15.3工業(yè)蒸汽量預(yù)測(cè)263
15.3.1數(shù)據(jù)集介紹263
15.3.2數(shù)據(jù)清洗與特征工程263
15.3.3基本回歸模型訓(xùn)練與分析264
15.3.4XGBoost模型訓(xùn)練與結(jié)果分析266
15.3.5小結(jié)268
15.4雙盲降噪自編碼器實(shí)現(xiàn)降噪268
15.4.1軟測(cè)量任務(wù)需求268
15.4.2問(wèn)題分析269
15.4.3去噪算法概述270
15.4.4雙盲降噪自編碼器271
15.4.5DBDAE降噪與軟測(cè)量272
15.4.6小結(jié)276
15.5心率異常檢測(cè)276
15.5.1心電圖數(shù)據(jù)277
15.5.2基于殘差神經(jīng)網(wǎng)絡(luò)的心電診斷277
15.5.3基于知識(shí)+特征工程的心電診斷279
15.5.4小結(jié)284
本章小結(jié)284
習(xí)題15284
參考文獻(xiàn)286
書(shū)單推薦
