元分析:数据分析的共识方法与系统模式

元分析:数据分析的共识方法与系统模式
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: [美] (Steven Simske) ,
2021-07
版次: 1
ISBN: 9787111683933
定价: 89.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 248页
5人买过
  • 本书为数据科学领域的技术人员提供了一套详尽的模式,可用于任何基于机器学习的数据分析任务。通过学习这些方法,你至少能找到一种更为有效的模式,并且获得优于传统分析方法的整体系统行为。“元”分析可谓关于“分析”的“分析”,为了理解这种混合方法或元方法,书中必不可少地详述了常规分析方法的技术细节,在此基础上帮助读者理解并应用元分析模式。本书适合从事数据分析、预测和挖掘的技术人员阅读,涵盖机器翻译、机器人技术、生物和社会科学、医疗卫生信息学、经济学、商业和金融、警务以及体育赛事分析等领域。 译者序 

    致谢 

    第1章 概述和应用1 

    11 引言1 

    12 本书为什么重要2 

    13 本书的组织结构3 

    14 信息学3 

    15 分析统计学4 

    151 值和方差4 

    152 样本和总体检验5 

    153 回归和估计7 

    16 分析算法12 

    161 k均值和k近邻聚类12 

    162 反聚类14 

    163 马尔可夫模型14 

    17 机器学习16 

    171 熵16 

    172 支持向量机和核函数18 

    173 概率18 

    174 降维和信息增益20 

    175 优化和搜索21 

    176 数据挖掘和知识发现22 

    177 识别23 

    178 集成学习24 

    18 人工智能25 

    181 遗传算法26 

    182 神经网络30 

    183 免疫算法35 

    19 一个从头开始构建分类器的平台(二分类)37 

    110 一个从头开始构建分类器的平台(一般情况)43 

    1101 训练和验证43 

    1102 测试和部署49 

    1103 比较训练和测试数据集上的结果62 

    111 本章小结63 

    参考文献64 

    扩展阅读64 

    第2章 获取真值65 

    21 引言65 

    22 预验证66 

    23 根据训练数据优化设置72 

    24 学习如何学习76 

    25 从深度学习到深度反学习82 

    26 本章小结82 

    参考文献83 

    第3章 实验设计85 

    31 引言85 

    32 数据归一化86 

    321 简单的归一化86 

    322 偏差归一化87 

    323 归一化和实验设计表90 

    33 剪枝老化数据的设计91 

    34 系统之系统93 

    341 系统93 

    342 混合系统94 

    343 动态更新的系统95 

    344 接口95 

    345 增益95 

    346 领域归一化97 

    347 灵敏度分析98 

    35 本章小结99 

    参考文献99 

    第4章 元分析设计模式100 

    41 引言100 

    42 累积响应模式101 

    421 识别感兴趣的区域102 

    422 面向序列相关的预测性选择的感兴趣的区域104 

    423 传统的累积增益曲线105 

    43 分析的优化111 

    431 决策树111 

    432 假定身份触发模式112 

    433 期望最大化和最大-最小模式113 

    44 模型一致性模式116 

    441 混合回归117 

    442 建模和模型拟合117 

    45 共现和相似性模式118 

    46 灵敏度分析模式119 

    47 混淆矩阵模式120 

    48 熵模式121 

    49 独立模式124 

    410 功能式NLP模式(宏观反馈)127 

    411 本章小结127 

    参考文献129 

    第5章 灵敏度分析和大型系统工程130 

    51 引言130 

    52 数据集本身的灵敏度分析132 

    53 解决方案模型的灵敏度分析135 

    54 单个算法的灵敏度分析136 

    55 混合算法的灵敏度分析137 

    56 到当前状态的路径的灵敏度分析138 

    57 本章小结140 

    参考文献141 

    第6章 多面预测性选择142 

    61 引言142 

    62 预测性选择142 

    63 预测方法143 

    64 选择方法144 

    65 多路径方法149 

    66 应用151 

    67 灵敏度分析151 

    68 本章小结151 

    参考文献152 

    第7章 建模和模型拟合153 

    71 引言153 

    72 用于分析的化学类比154 

    73 用于分析的有机化学类比156 

    74 用于分析的免疫学和生物学类比157 

    75 用于模型设计和拟合的匿名化类比159 

    76 最小平方误差、误差方差和熵:拟合优度159 

    77 创建属于自己的多个模型160 

    78 本章小结161 

    参考文献161 

    第8章 同义词-反义词模式和强化-无效化模式162 

    81 引言162 

    82 同义词-反义词模式163 

    83 强化-无效化模式164 

    84 各种模式的广泛适用性167 

    85 本章小结167 

    参考文献168 

    扩展阅读168 

    第9章 关于分析的分析169 

    91 引言169 

    92 关于分析的分析170 

    921 熵与出现向量170 

    922 功能指标173 

    923 期望最大化方法174 

    924 系统设计的注意事项175 

    93 根据训练数据优化设置175 

    94 混合方法176 

    95 关于分析的其他探索领域177 

    96 本章小结178 

    参考文献178 

    扩展阅读179 

    第10章 系统设计优化180 

    101 引言180 

    1011 系统考量―重新审视系统增益181 

    1012 系统增益―重新审视和扩大系统偏差182 

    1013 投资与回报185 

    102 模块优化185 

    103 聚类与正则化186 

    1031 平方和正则化189 

    1032 方差正则化189 

    1033 簇大小正则化190 

    1034 小型簇正则化191 

    1035 簇数量正则化191 

    1036 对正则化方法的讨论192 

    104 分析系统的优化192 

    105 本章小结193 

    参考文献193 

    第11章 射幸技术和专家系统技术194 

    111 引言194 

    112 两种射幸模式回顾195 

    1121 特征射幸模式的依次移除195 

    1122 特征输出射幸模式的时序变化198 

    113 为测试添加随机元素199 

    114 高光谱射幸方法201 

    115 机器学习和统计学习中的其他射幸应用202 

    116 专家系统技术202 

    117 本章小
  • 内容简介:
    本书为数据科学领域的技术人员提供了一套详尽的模式,可用于任何基于机器学习的数据分析任务。通过学习这些方法,你至少能找到一种更为有效的模式,并且获得优于传统分析方法的整体系统行为。“元”分析可谓关于“分析”的“分析”,为了理解这种混合方法或元方法,书中必不可少地详述了常规分析方法的技术细节,在此基础上帮助读者理解并应用元分析模式。本书适合从事数据分析、预测和挖掘的技术人员阅读,涵盖机器翻译、机器人技术、生物和社会科学、医疗卫生信息学、经济学、商业和金融、警务以及体育赛事分析等领域。
  • 目录:
    译者序 

    致谢 

    第1章 概述和应用1 

    11 引言1 

    12 本书为什么重要2 

    13 本书的组织结构3 

    14 信息学3 

    15 分析统计学4 

    151 值和方差4 

    152 样本和总体检验5 

    153 回归和估计7 

    16 分析算法12 

    161 k均值和k近邻聚类12 

    162 反聚类14 

    163 马尔可夫模型14 

    17 机器学习16 

    171 熵16 

    172 支持向量机和核函数18 

    173 概率18 

    174 降维和信息增益20 

    175 优化和搜索21 

    176 数据挖掘和知识发现22 

    177 识别23 

    178 集成学习24 

    18 人工智能25 

    181 遗传算法26 

    182 神经网络30 

    183 免疫算法35 

    19 一个从头开始构建分类器的平台(二分类)37 

    110 一个从头开始构建分类器的平台(一般情况)43 

    1101 训练和验证43 

    1102 测试和部署49 

    1103 比较训练和测试数据集上的结果62 

    111 本章小结63 

    参考文献64 

    扩展阅读64 

    第2章 获取真值65 

    21 引言65 

    22 预验证66 

    23 根据训练数据优化设置72 

    24 学习如何学习76 

    25 从深度学习到深度反学习82 

    26 本章小结82 

    参考文献83 

    第3章 实验设计85 

    31 引言85 

    32 数据归一化86 

    321 简单的归一化86 

    322 偏差归一化87 

    323 归一化和实验设计表90 

    33 剪枝老化数据的设计91 

    34 系统之系统93 

    341 系统93 

    342 混合系统94 

    343 动态更新的系统95 

    344 接口95 

    345 增益95 

    346 领域归一化97 

    347 灵敏度分析98 

    35 本章小结99 

    参考文献99 

    第4章 元分析设计模式100 

    41 引言100 

    42 累积响应模式101 

    421 识别感兴趣的区域102 

    422 面向序列相关的预测性选择的感兴趣的区域104 

    423 传统的累积增益曲线105 

    43 分析的优化111 

    431 决策树111 

    432 假定身份触发模式112 

    433 期望最大化和最大-最小模式113 

    44 模型一致性模式116 

    441 混合回归117 

    442 建模和模型拟合117 

    45 共现和相似性模式118 

    46 灵敏度分析模式119 

    47 混淆矩阵模式120 

    48 熵模式121 

    49 独立模式124 

    410 功能式NLP模式(宏观反馈)127 

    411 本章小结127 

    参考文献129 

    第5章 灵敏度分析和大型系统工程130 

    51 引言130 

    52 数据集本身的灵敏度分析132 

    53 解决方案模型的灵敏度分析135 

    54 单个算法的灵敏度分析136 

    55 混合算法的灵敏度分析137 

    56 到当前状态的路径的灵敏度分析138 

    57 本章小结140 

    参考文献141 

    第6章 多面预测性选择142 

    61 引言142 

    62 预测性选择142 

    63 预测方法143 

    64 选择方法144 

    65 多路径方法149 

    66 应用151 

    67 灵敏度分析151 

    68 本章小结151 

    参考文献152 

    第7章 建模和模型拟合153 

    71 引言153 

    72 用于分析的化学类比154 

    73 用于分析的有机化学类比156 

    74 用于分析的免疫学和生物学类比157 

    75 用于模型设计和拟合的匿名化类比159 

    76 最小平方误差、误差方差和熵:拟合优度159 

    77 创建属于自己的多个模型160 

    78 本章小结161 

    参考文献161 

    第8章 同义词-反义词模式和强化-无效化模式162 

    81 引言162 

    82 同义词-反义词模式163 

    83 强化-无效化模式164 

    84 各种模式的广泛适用性167 

    85 本章小结167 

    参考文献168 

    扩展阅读168 

    第9章 关于分析的分析169 

    91 引言169 

    92 关于分析的分析170 

    921 熵与出现向量170 

    922 功能指标173 

    923 期望最大化方法174 

    924 系统设计的注意事项175 

    93 根据训练数据优化设置175 

    94 混合方法176 

    95 关于分析的其他探索领域177 

    96 本章小结178 

    参考文献178 

    扩展阅读179 

    第10章 系统设计优化180 

    101 引言180 

    1011 系统考量―重新审视系统增益181 

    1012 系统增益―重新审视和扩大系统偏差182 

    1013 投资与回报185 

    102 模块优化185 

    103 聚类与正则化186 

    1031 平方和正则化189 

    1032 方差正则化189 

    1033 簇大小正则化190 

    1034 小型簇正则化191 

    1035 簇数量正则化191 

    1036 对正则化方法的讨论192 

    104 分析系统的优化192 

    105 本章小结193 

    参考文献193 

    第11章 射幸技术和专家系统技术194 

    111 引言194 

    112 两种射幸模式回顾195 

    1121 特征射幸模式的依次移除195 

    1122 特征输出射幸模式的时序变化198 

    113 为测试添加随机元素199 

    114 高光谱射幸方法201 

    115 机器学习和统计学习中的其他射幸应用202 

    116 专家系统技术202 

    117 本章小
查看详情
12
相关图书 / 更多
元分析:数据分析的共识方法与系统模式
元分析方法:校正研究结果中的误差和偏差(原书第3版)
弗兰克·L.施密特(Frank L. Schmidt)
元分析:数据分析的共识方法与系统模式
元分析(Meta-analysis)方法应用指导
戴维·B.威尔逊 著;马克·W.利普西、刘军、吴春莺 译
元分析:数据分析的共识方法与系统模式
元分析研究方法(第5版)/管理研究方法丛书
哈里斯·库珀(Harris Cooper) 著;李超平、张昱城 译
您可能感兴趣 / 更多
元分析:数据分析的共识方法与系统模式
宇宙视觉史:从宇宙大爆炸到时间的尽头
[美]查尔斯·刘 著;高爽 译者;[美]马克西姆· 马洛维奇科 绘;未读 出品
元分析:数据分析的共识方法与系统模式
写出我心 普通人如何通过写作表达自己(平装本)
[美]娜塔莉·戈德堡(Natalie Goldberg)
元分析:数据分析的共识方法与系统模式
写出我心3 写作疗愈的真正秘密
[美]娜塔莉·戈德堡(Natalie Goldberg)
元分析:数据分析的共识方法与系统模式
神套路:为什么我们总被带节奏(狂热与网红时代醍醐灌顶之作,教给普通人安身立命的不二法门!)
[美]阿里·阿莫萨维 著;[哥伦比亚]亚历杭德罗·希拉尔多 绘
元分析:数据分析的共识方法与系统模式
阿伦森自传
[美]埃利奥特·阿伦森(Elliot Aronson) 著;沈捷 译;湛庐文化 出品
元分析:数据分析的共识方法与系统模式
街头官僚:公共服务中的个人困境
[美]迈克尔·李普斯基(Michael Lipsky)
元分析:数据分析的共识方法与系统模式
史前至蒙古帝国时期的内欧亚大陆史
[美]大卫·克里斯蒂安 著;潘玲 译;杨建华 校
元分析:数据分析的共识方法与系统模式
意大利文艺复兴新艺术史
[美]迈克尔·韦恩·科尔 著;[美]斯蒂芬·J·坎贝尔;邵亦杨
元分析:数据分析的共识方法与系统模式
老人与海 彩图注音版 一二三四年级5-6-7-8-9岁小学生课外阅读经典 儿童文学无障碍有声伴读世界名著童话故事
[美]海明威
元分析:数据分析的共识方法与系统模式
养育的觉醒:全面激发孩子自驱力,教你如何心平气和做妈妈
[美]凯文·莱曼 著;唐晓璐 译;斯坦威 出品
元分析:数据分析的共识方法与系统模式
自律我也能做到(全9册)
[美]康妮·科维尔·米勒 著;[阿根廷]维多利亚·阿萨纳利 绘
元分析:数据分析的共识方法与系统模式
你在等什么?
[美]斯科特·明钦 著;[中]易万 译;[美]马特 ·斐兰 绘