应用数据分析:原理与应用

应用数据分析:原理与应用
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: [澳] (Johnson I. Agbinya)
2021-09
版次: 1
ISBN: 9787111690443
定价: 79.00
装帧: 其他
开本: 16开
纸张: 胶版纸
字数: 174千字
  • 本书结合开源和面向商业的计算平台,从实用的角度,全面系统阐述数据分析技术及其应用,内容涵盖机器学习基础、深度学习、人工智能、统计学和进化学习等。 译者序

    前言

    致谢

    关于作者

    贡献者名单

    缩略语

    第1章  马尔可夫链及其应用1

    1.1简介1

    1.2定义1

    1.2.1状态空间2

    1.2.2轨迹2

    1.3使用马尔可夫链的预测5

    1.3.1初始状态5

    1.3.2长期概率6

    1.4马尔可夫链的应用8

    第2章隐马尔可夫建模10

    2.1隐马尔可夫建模表示法10

    2.2释放概率11

    2.3隐马尔可夫模型12

    2.3.1建立HMM12

    2.3.2图形形式的HMM13

    2.4HMM中的三大问题16

    2.4.1表示法16

    2.4.2问题1的解决方案:似然估计16

    2.5状态转移表19

    2.5.1输入符号表20

    2.5.2输出符号表20

    2.6问题3的解决方案:找到HMM20

    2.7练习21

    第3章卡尔曼滤波器入门23

    3.1简介23

    3.2标量形式23

    3.3矩阵形式26

    3.3.1状态变量的模型27

    3.3.2状态的高斯表示29

    3.4状态矩阵32

    3.4.1对象在单个方向上移动的

    状态矩阵32

    3.4.2二维运动对象的状态矩阵35

    3.4.3在三维空间中移动的对象36

    3.5带有噪声的卡尔曼滤波器模型38

    参考文献38

    第4章卡尔曼滤波器II39

    4.1简介39

    4.2卡尔曼滤波器中的处理步骤39

    4.2.1协方差矩阵39

    4.2.2协方差矩阵的计算方法41

    4.2.3卡尔曼滤波器中的迭代45

    第5章遗传算法50

    5.1简介50

    5.2遗传算法的步骤50

    5.3遗传算法的相关术语51

    5.4适应度函数52

    5.5选择54

    5.5.1轮盘赌54

    5.5.2交叉54

    5.6化单个变量的函数56

    5.7连续遗传算法58

    5.7.1地形图的海拔58

    5.7.2遗传算法在传感器温度记录中的应用60

    参考文献61

    第6章计算图的微积分62

    6.1简介62

    6.2复合表达式63

    6.3计算偏导数63

    6.4积分计算66

    6.4.1梯形法则66

    6.4.2辛普森法则67

    6.5多径复合导数67

    第7章支持向量机69

    7.1简介69

    7.2支持向量机的数学基础70

    7.2.1超平面简介70

    7.2.2平行超平面71

    7.2.3两平行平面之间的距离72

    7.3支持向量机问题73

    7.3.1问题定义73

    7.3.2线性可分情况73

    7.4超平面的定位(素数问题)75

    7.4.1确定边界75

    7.4.2点xi与分离超平面的距离76

    7.4.3求解超平面问题77

    7.5拉格朗日优化函数78

    7.5.1单约束优化78

    7.5.2多约束优化79

    7.5.3Karush-Kuhn-Tucker条件81

    7.6SVM优化问题81

    7.6.1原始SVM优化问题81

    7.6.2对偶优化问题82

    7.7线性SVM数据84

    7.7.1松弛变量85

    7.7.2使用核的非线性数据分类86

    参考文献90

    第8章人工神经网络91

    8.1简介91

    8.2神经元91

    第9章神经网络训练101

    9.1简介101

    9.2神经网络架构101

    9.3反向传播模型101

    9.4带有计算图的反向传播示例104

    9.5反向传播104

    9.6神经网络实用训练106

    9.6.1前向传播106

    9.6.2反向传播108

    9.7权重方法的初始化111

    9.7.1Xavier初始化111

    9.7.2批处理标准化112

    9.8结论112

    参考文献113

    第10章循环神经网络114

    10.1简介114

    10.2实例114

    10.3原理116

    第11章卷积神经网络124

    11.1简介124

    11.2卷积矩阵124

    11.3卷积核125

    11.4卷积神经网络术语129

    11.4.1概念和超参数129

    11.4.2CNN处理阶段131

    11.4.3池化层133

    11.4.4全连接层134

    11.5CNN设计原则134

    11.6结论135

    参考文献135

    第12章主成分分析136

    12.1简介136

    12.2定义136

    12.3主成分计算141

    12.3.1使用向量投影的PCA141

    12.3.2使用协方差矩阵进行PCA计算142

    12.3.3使用奇异值分解的PCA144

    12.3.4PCA的应用145

    参考文献146

    第13章矩母函数147

    13.1随机变量的矩147

    13.1.1随机变量的中心矩147

    13.1.2矩特性148

    13.2一元矩母函数149

    13.3矩母函数的级数表示150

    13.3.1概率质量函数的性质151

    13.3.2概率分布函数f(x)的性质151

    13.4离散随机变量的矩母函数151

    13.4.1伯努利随机变量151

    13.4.2二项随机变量152

    13.4.3几何随机变量153

    13.4.4泊松随机变量153

    13.5连续随机变量的矩母函数154

    13.5.1指数分布154

    13.5.2正态分布154

    13.5.3伽马分布155

    13.6矩母函数的性质156

    13.7多元矩母函数156

    13.8矩母函数的应用157

    第14章特征函数158

    14.1简介158

    14.2离散单随机变量的特征函数159

    14.2.1泊松随机变量的特征函数159

    14.2.2二项随机变量的特征函数159

    14.2.3连续随机变量的特征函数159

    第15章概率生成函数161

    15.1简介161

    15.2离散概率生成函数161

    15.2.1概率生成函数的性质162

    15.2.2伯努利随机变量的概率生成函数163

    15.2.3二项随机变量的概率生成函数163

    15.2.4泊松随机变量的概率生成函数163

    15.2.5几何随机变量的概率生成函数164

    15.2.6负二项随机变量的概率生成函数165

    15.3概率生成函数在数据分析中的应用167

    15.3.1离散事件应用167

    15.3.2传染病建模168

    参考文献170

    第16章基于人工神经网络的数字身份管理系统171

    16.1简介171

    16.2数字身份度量171

    16.3身份解析172

    16.4生物识别系统架构173

    16.4.1指纹识别174

    16.4.2人脸识别174

    16.5信息融合175

    16.6人工神经网络176

    16.7多模式数字身份管理系统实现177

    16.7.1终端、指纹扫描仪和摄像头177

    16.7.2指纹和人脸识别SDK178

    16.7.3数据库178

    16.7.4验证:连接到主机并选择验证178

    16.8结论179

    参考文献179

    第17章物联网数据分类的概率神经网络分类器182

    17.1简介182

    17.2概率神经网络182

    17.3广义回归神经网络184

    17.4向量量化GRNN185

    17.5试验工作188

    17.6结论与未来工作189

    参考文献189

    第18章分层概率有限状态机的MML学习与推断191

    18.1简介191

    18.2有限状态机和PFSM192

    18.2.1有限状态机的数学定义192

    18.2.2状态图中的FSM表示192

    18.3PFSM的MML编码和推断195

    18.3.1建模PFSM195

    18.3.2使用MML推断PFSM198

    18.4分层概率有限状态机203

    18.4.1定义HPFSM204

    18.4.2HPFSM假设H的MML断言代码205

    18.4.3HPFSM转移的编码206

    18.5试验207

    18.5.1人工数据集试验207

    18.5.2ADL数据集试验211

    18.6小结214

    参考文献215

    练习解答217
  • 内容简介:
    本书结合开源和面向商业的计算平台,从实用的角度,全面系统阐述数据分析技术及其应用,内容涵盖机器学习基础、深度学习、人工智能、统计学和进化学习等。
  • 目录:
    译者序

    前言

    致谢

    关于作者

    贡献者名单

    缩略语

    第1章  马尔可夫链及其应用1

    1.1简介1

    1.2定义1

    1.2.1状态空间2

    1.2.2轨迹2

    1.3使用马尔可夫链的预测5

    1.3.1初始状态5

    1.3.2长期概率6

    1.4马尔可夫链的应用8

    第2章隐马尔可夫建模10

    2.1隐马尔可夫建模表示法10

    2.2释放概率11

    2.3隐马尔可夫模型12

    2.3.1建立HMM12

    2.3.2图形形式的HMM13

    2.4HMM中的三大问题16

    2.4.1表示法16

    2.4.2问题1的解决方案:似然估计16

    2.5状态转移表19

    2.5.1输入符号表20

    2.5.2输出符号表20

    2.6问题3的解决方案:找到HMM20

    2.7练习21

    第3章卡尔曼滤波器入门23

    3.1简介23

    3.2标量形式23

    3.3矩阵形式26

    3.3.1状态变量的模型27

    3.3.2状态的高斯表示29

    3.4状态矩阵32

    3.4.1对象在单个方向上移动的

    状态矩阵32

    3.4.2二维运动对象的状态矩阵35

    3.4.3在三维空间中移动的对象36

    3.5带有噪声的卡尔曼滤波器模型38

    参考文献38

    第4章卡尔曼滤波器II39

    4.1简介39

    4.2卡尔曼滤波器中的处理步骤39

    4.2.1协方差矩阵39

    4.2.2协方差矩阵的计算方法41

    4.2.3卡尔曼滤波器中的迭代45

    第5章遗传算法50

    5.1简介50

    5.2遗传算法的步骤50

    5.3遗传算法的相关术语51

    5.4适应度函数52

    5.5选择54

    5.5.1轮盘赌54

    5.5.2交叉54

    5.6化单个变量的函数56

    5.7连续遗传算法58

    5.7.1地形图的海拔58

    5.7.2遗传算法在传感器温度记录中的应用60

    参考文献61

    第6章计算图的微积分62

    6.1简介62

    6.2复合表达式63

    6.3计算偏导数63

    6.4积分计算66

    6.4.1梯形法则66

    6.4.2辛普森法则67

    6.5多径复合导数67

    第7章支持向量机69

    7.1简介69

    7.2支持向量机的数学基础70

    7.2.1超平面简介70

    7.2.2平行超平面71

    7.2.3两平行平面之间的距离72

    7.3支持向量机问题73

    7.3.1问题定义73

    7.3.2线性可分情况73

    7.4超平面的定位(素数问题)75

    7.4.1确定边界75

    7.4.2点xi与分离超平面的距离76

    7.4.3求解超平面问题77

    7.5拉格朗日优化函数78

    7.5.1单约束优化78

    7.5.2多约束优化79

    7.5.3Karush-Kuhn-Tucker条件81

    7.6SVM优化问题81

    7.6.1原始SVM优化问题81

    7.6.2对偶优化问题82

    7.7线性SVM数据84

    7.7.1松弛变量85

    7.7.2使用核的非线性数据分类86

    参考文献90

    第8章人工神经网络91

    8.1简介91

    8.2神经元91

    第9章神经网络训练101

    9.1简介101

    9.2神经网络架构101

    9.3反向传播模型101

    9.4带有计算图的反向传播示例104

    9.5反向传播104

    9.6神经网络实用训练106

    9.6.1前向传播106

    9.6.2反向传播108

    9.7权重方法的初始化111

    9.7.1Xavier初始化111

    9.7.2批处理标准化112

    9.8结论112

    参考文献113

    第10章循环神经网络114

    10.1简介114

    10.2实例114

    10.3原理116

    第11章卷积神经网络124

    11.1简介124

    11.2卷积矩阵124

    11.3卷积核125

    11.4卷积神经网络术语129

    11.4.1概念和超参数129

    11.4.2CNN处理阶段131

    11.4.3池化层133

    11.4.4全连接层134

    11.5CNN设计原则134

    11.6结论135

    参考文献135

    第12章主成分分析136

    12.1简介136

    12.2定义136

    12.3主成分计算141

    12.3.1使用向量投影的PCA141

    12.3.2使用协方差矩阵进行PCA计算142

    12.3.3使用奇异值分解的PCA144

    12.3.4PCA的应用145

    参考文献146

    第13章矩母函数147

    13.1随机变量的矩147

    13.1.1随机变量的中心矩147

    13.1.2矩特性148

    13.2一元矩母函数149

    13.3矩母函数的级数表示150

    13.3.1概率质量函数的性质151

    13.3.2概率分布函数f(x)的性质151

    13.4离散随机变量的矩母函数151

    13.4.1伯努利随机变量151

    13.4.2二项随机变量152

    13.4.3几何随机变量153

    13.4.4泊松随机变量153

    13.5连续随机变量的矩母函数154

    13.5.1指数分布154

    13.5.2正态分布154

    13.5.3伽马分布155

    13.6矩母函数的性质156

    13.7多元矩母函数156

    13.8矩母函数的应用157

    第14章特征函数158

    14.1简介158

    14.2离散单随机变量的特征函数159

    14.2.1泊松随机变量的特征函数159

    14.2.2二项随机变量的特征函数159

    14.2.3连续随机变量的特征函数159

    第15章概率生成函数161

    15.1简介161

    15.2离散概率生成函数161

    15.2.1概率生成函数的性质162

    15.2.2伯努利随机变量的概率生成函数163

    15.2.3二项随机变量的概率生成函数163

    15.2.4泊松随机变量的概率生成函数163

    15.2.5几何随机变量的概率生成函数164

    15.2.6负二项随机变量的概率生成函数165

    15.3概率生成函数在数据分析中的应用167

    15.3.1离散事件应用167

    15.3.2传染病建模168

    参考文献170

    第16章基于人工神经网络的数字身份管理系统171

    16.1简介171

    16.2数字身份度量171

    16.3身份解析172

    16.4生物识别系统架构173

    16.4.1指纹识别174

    16.4.2人脸识别174

    16.5信息融合175

    16.6人工神经网络176

    16.7多模式数字身份管理系统实现177

    16.7.1终端、指纹扫描仪和摄像头177

    16.7.2指纹和人脸识别SDK178

    16.7.3数据库178

    16.7.4验证:连接到主机并选择验证178

    16.8结论179

    参考文献179

    第17章物联网数据分类的概率神经网络分类器182

    17.1简介182

    17.2概率神经网络182

    17.3广义回归神经网络184

    17.4向量量化GRNN185

    17.5试验工作188

    17.6结论与未来工作189

    参考文献189

    第18章分层概率有限状态机的MML学习与推断191

    18.1简介191

    18.2有限状态机和PFSM192

    18.2.1有限状态机的数学定义192

    18.2.2状态图中的FSM表示192

    18.3PFSM的MML编码和推断195

    18.3.1建模PFSM195

    18.3.2使用MML推断PFSM198

    18.4分层概率有限状态机203

    18.4.1定义HPFSM204

    18.4.2HPFSM假设H的MML断言代码205

    18.4.3HPFSM转移的编码206

    18.5试验207

    18.5.1人工数据集试验207

    18.5.2ADL数据集试验211

    18.6小结214

    参考文献215

    练习解答217
查看详情
相关图书 / 更多
应用数据分析:原理与应用
应用微积分
王治华 编
应用数据分析:原理与应用
应用微生物学原理与技术
孟令波、孙婷婷、郑苗苗、胡宝忠 编
应用数据分析:原理与应用
应用题(二年级上册)彩绘视频版
关胜莲
应用数据分析:原理与应用
应用型本科英语类专业教学转型研究
李胜利 著
应用数据分析:原理与应用
应用型高校大学生职业生涯规划与就业创业指导
李晓军 著
应用数据分析:原理与应用
应用数学()
刘东海 刘丽瑶 主编
应用数据分析:原理与应用
应用化学专业英语(第2版)
李杰、王俊 编
应用数据分析:原理与应用
应用数学—理论、方法与实践(英文)
[加拿大]迪鄂多内.恩东.奥沃诺
应用数据分析:原理与应用
应用题(一年级上册)彩绘视频版
关胜莲
应用数据分析:原理与应用
应用文写作(高等职业教育公共基础课通用教材)
许亚非、江芳、梁伟业 编
应用数据分析:原理与应用
应用写作学
唐丹
应用数据分析:原理与应用
应用型本科工科专业毕业设计指导与案例分析
杨敏
您可能感兴趣 / 更多
应用数据分析:原理与应用
单身偏见
[澳]克莱尔·佩恩 著;张林 译;未读 出品
应用数据分析:原理与应用
淘气小子马克斯 冰球风云(玩转校园生活,掌握成长密码。国外版“马小跳”“米小圈”比《小屁孩日记》更好玩)
[澳]马特·斯坦顿 著;刘勇军 译;白马时光 出品
应用数据分析:原理与应用
淘气小子马克斯 超级英雄(玩转校园生活,掌握成长密码。国外版“马小跳”“米小圈”比《小屁孩日记》更好玩)
[澳]马特·斯坦顿 著;刘勇军 译;白马时光 出品
应用数据分析:原理与应用
基于人工智能方法的网络空间安全
[澳]莱斯利·F. 西科斯(Leslie F. Sikos)
应用数据分析:原理与应用
淘气小子马克斯 勇敢者游戏(玩转校园生活,掌握成长密码。国外版“马小跳”“米小圈”比《小屁孩日记》更好玩)
[澳]马特·斯坦顿 著;刘勇军 译;白马时光 出品
应用数据分析:原理与应用
越动越聪明(大教育书系·2021新版)
[澳]玛格丽特·萨瑟 著;杨淼 唐大旻 译;[澳]乔治·麦凯尔 绘
应用数据分析:原理与应用
淘气小子马克斯 泳池对决(玩转校园生活,掌握成长密码。国外版“马小跳”“米小圈”比《小屁孩日记》更好玩)
[澳]马特·斯坦顿 著;刘勇军 译;白马时光 出品
应用数据分析:原理与应用
激励变革:建成环境中的可持续设计与行为
[澳]罗伯特·克罗克(Robert Crocker) 著;侯海燕、邓小渠 译
应用数据分析:原理与应用
安全归约导论
[澳]穆怡 著;郭福春、[澳]威利苏西洛、蒋芃、祝烈煌 译
应用数据分析:原理与应用
金魔方英语分级读物(第二级上)(点点灯火)(外研社英语分级阅读)
[澳]卡梅尔·赖莉(Carmel Reilly)
应用数据分析:原理与应用
金魔方英语分级读物(第五级上)(点点灯火)(外研社英语分级阅读)
[澳]卡梅尔·赖莉(Carmel Reilly)
应用数据分析:原理与应用
金魔方英语分级读物(第一级下)(点点灯火)(外研社英语分级阅读)
[澳]卡梅尔·赖莉(Carmel Reilly)