书籍详情
元分析：数据分析的共识方法与系统模式
作者：[美] 史蒂文·西姆斯克（Steven Simske） 著
出版社：机械工业出版社
出版时间：2021-08-01
ISBN：9787111683933
定价：¥89.00
购买这本书可以去
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。
作者简介
暂缺《元分析：数据分析的共识方法与系统模式》作者简介
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
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
猜您喜欢
