中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
數據科學與工程技術叢書大數據分析與算法 版權信息
- ISBN：9787111608769
- 條形碼：9787111608769 ; 978-7-111-60876-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
數據科學與工程技術叢書大數據分析與算法 內容簡介
本書詳細介紹了數據科學領域的相關智能技術，包括數據分析、基本學習算法、模糊邏輯、人工神經網絡、基因算法和進化計算、使用R語言進行大數據分析等。本書可以作為高等院校計算機專業本科生和研究生，以及其他專業研究生的人工智能課程的教材，也可以作為相關教師和數據分析技術人員的參考書。
數據科學與工程技術叢書大數據分析與算法 目錄
譯者序
前言
第1章 緒論 1
1.1 引言 1
1.2 數據科學的歷史 2
1.3 現代商業中數據科學的重要性 3
1.4 數據科學家 5
1.5 三維數據科學活動 6
1.5.1 管理數據流 7
1.5.2 處理數據管理 8
1.5.3 數據分析 11
1.6 數據科學與其他領域交叉 11
1.7 數據分析思維 13
1.8 應用領域 13
1.8.1 資源的可持續發展 13
1.8.2 利用社交平臺進行各種活動 14
1.8.3 智能Web應用 14
1.8.4 Google自動統計員項目 15
1.9 應用計算智能管理數據科學活動 15
1.10 商業中的數據科學場景 17
1.11 有助于數據科學的工具和技術 17
1.11.1 數據清洗工具 18
1.11.2 數據管理和建模工具 19
1.11.3 數據可視化工具 20
1.12 練習 21
參考文獻 22
第2章 數據分析 23
2.1 引言 23
2.2 跨行業標準過程 24
2.3 數據分析生命周期 25
2.4 數據科學項目生命周期 27
2.5 數據分析的復雜性 28
2.6 從數據到洞察力 30
2.7 構建分析能力：銀行案例 31
2.8 數據質量 32
2.9 數據準備過程 33
2.10 溝通分析結果 34
2.10.1 溝通分析結果的策略 34
2.10.2 數據可視化 35
2.10.3 可視化技術 36
2.11 練習 37
參考文獻 37
第3章 基本學習算法 38
3.1 從數據中學習 38
3.2 監督學習 40
3.2.1 線性回歸 40
3.2.2 決策樹 41
3.2.3 隨機森林 46
3.2.4 k-近鄰算法 47
3.2.5 邏輯回歸 49
3.2.6 模型組合器 50
3.2.7 樸素貝葉斯 53
3.2.8 貝葉斯信念網絡 54
3.2.9 支持向量機 56
3.3 無監督學習 57
3.3.1 Apriori 算法 58
3.3.2 k-means算法 60
3.3.3 用于數據壓縮的降維 62
3.4 強化學習 62
3.5 案例研究：使用機器學習進行市場營銷活動 65
3.6 練習 66
參考文獻 67
第4章 模糊邏輯 68
4.1 引言 68
4.2 模糊隸屬函數 70
4.2.1 三角形隸屬函數 71
4.2.2 梯形隸屬函數 71
4.2.3 高斯隸屬函數 71
4.2.4 sigmoid隸屬函數 72
4.3 隸屬值分配方法 72
4.4 模糊化與解模糊化方法 73
4.5 模糊集合操作 73
4.5.1 模糊集合的并集 74
4.5.2 模糊集合的交集 74
4.5.3 模糊集合的補集 74
4.6 模糊集合性質 76
4.7 模糊關系 76
4.8 模糊命題 79
4.8.1 模糊連接詞 79
4.8.2 析取 79
4.8.3 合取 80
4.8.4 否定 80
4.8.5 蘊含 80
4.9 模糊推理 80
4.10 基于模糊規則的系統 81
4.11 數據科學的模糊邏輯 82
4.11.1 應用1：Web內容挖掘 83
4.11.2 應用2：Web結構挖掘 84
4.11.3 應用3：Web使用挖掘 85
4.11.4 應用4：環境和社交數據處理 86
4.12 用模糊邏輯進行數據科學活動的工具和技術 87
4.13 練習 88
參考文獻 88
第5章 人工神經網絡 89
5.1 引言 89
5.2 符號學習方法 90
5.3 人工神經網絡及其特點 91
5.4 ANN模型 93
5.4.1 Hopfield模型 93
5.4.2 感知器模型 94
5.4.3 多層感知器 96
5.4.4 多層感知器的深度學習 98
5.4.5 其他ANN模型 100
5.4.6 線性回歸與神經網絡 101
5.5 ANN工具和程序 102
5.6 社交網絡平臺上的情感挖掘 103
5.6.1 情感挖掘相關工作 103
5.6.2 廣泛架構 104
5.6.3 神經網絡設計 104
5.7 應用與挑戰 106
5.8 關注點 107
5.9 練習 108
參考文獻 109
第6章 遺傳算法與進化計算 111
6.1 引言 111
6.2 遺傳算法 112
6.3 遺傳算法的基本原理 114
6.3.1 個體編碼 114
6.3.2 變異 114
6.3.3 交叉 115
6.3.4 適應度函數 116
6.3.5 選擇 116
6.3.6 其他編碼策略 117
6.4 利用遺傳算法進行函數優化的實例 118
6.5 模式與模式定理 120
6.5.1 實例、定義位和模式順序 120
6.5.2 模式的重要性 121
6.6 基于特殊應用的遺傳算子 121
6.7 進化編程 123
6.8 遺傳算法在醫療保健中的應用 124
6.8.1 醫療保健案例 124
6.8.2 基于遺傳算法的病人調度系統 125
6.8.3 編碼候選者 127
6.8.4 種群上的操作 127
6.8.5 其他應用 128
6.9 練習 130
參考文獻 131
第7章 其他元啟發式和分類方法 132
7.1 引言 132
7.2 自適應記憶過程 132
7.2.1 禁忌搜索 133
7.2.2 分散搜索 134
7.2.3 路徑重連 136
7.3 群體智能 136
7.3.1 蟻群優化 137
7.3.2 人工蜂群算法 138
7.3.3 河流形成動力學 139
7.3.4 粒子群優化 139
7.3.5 隨機擴散搜索 141
7.3.6 群體智能與大數據 142
7.4 案例推理 142
7.4.1 案例推理中的學習 144
7.4.2 案例推理與數據科學 145
7.4.3 處理復雜的領域 146
7.5 粗糙集 146
7.6 練習 148
參考文獻 148
第8章 分析和大數據 149
8.1 引言 149
8.2 傳統分析與大數據分析 150
8.3 大規模并行處理 152
8.3.1 MapReduce 152
8.3.2 與RDBMS的比較 154
8.3.3 共享存儲的并行編程 155
8.3.4 Apache Hadoop 生態系統 155
8.3.5 Hadoop分布式文件系統 157
8.4 NoSQL
前言
第1章 緒論 1
1.1 引言 1
1.2 數據科學的歷史 2
1.3 現代商業中數據科學的重要性 3
1.4 數據科學家 5
1.5 三維數據科學活動 6
1.5.1 管理數據流 7
1.5.2 處理數據管理 8
1.5.3 數據分析 11
1.6 數據科學與其他領域交叉 11
1.7 數據分析思維 13
1.8 應用領域 13
1.8.1 資源的可持續發展 13
1.8.2 利用社交平臺進行各種活動 14
1.8.3 智能Web應用 14
1.8.4 Google自動統計員項目 15
1.9 應用計算智能管理數據科學活動 15
1.10 商業中的數據科學場景 17
1.11 有助于數據科學的工具和技術 17
1.11.1 數據清洗工具 18
1.11.2 數據管理和建模工具 19
1.11.3 數據可視化工具 20
1.12 練習 21
參考文獻 22
第2章 數據分析 23
2.1 引言 23
2.2 跨行業標準過程 24
2.3 數據分析生命周期 25
2.4 數據科學項目生命周期 27
2.5 數據分析的復雜性 28
2.6 從數據到洞察力 30
2.7 構建分析能力：銀行案例 31
2.8 數據質量 32
2.9 數據準備過程 33
2.10 溝通分析結果 34
2.10.1 溝通分析結果的策略 34
2.10.2 數據可視化 35
2.10.3 可視化技術 36
2.11 練習 37
參考文獻 37
第3章 基本學習算法 38
3.1 從數據中學習 38
3.2 監督學習 40
3.2.1 線性回歸 40
3.2.2 決策樹 41
3.2.3 隨機森林 46
3.2.4 k-近鄰算法 47
3.2.5 邏輯回歸 49
3.2.6 模型組合器 50
3.2.7 樸素貝葉斯 53
3.2.8 貝葉斯信念網絡 54
3.2.9 支持向量機 56
3.3 無監督學習 57
3.3.1 Apriori 算法 58
3.3.2 k-means算法 60
3.3.3 用于數據壓縮的降維 62
3.4 強化學習 62
3.5 案例研究：使用機器學習進行市場營銷活動 65
3.6 練習 66
參考文獻 67
第4章 模糊邏輯 68
4.1 引言 68
4.2 模糊隸屬函數 70
4.2.1 三角形隸屬函數 71
4.2.2 梯形隸屬函數 71
4.2.3 高斯隸屬函數 71
4.2.4 sigmoid隸屬函數 72
4.3 隸屬值分配方法 72
4.4 模糊化與解模糊化方法 73
4.5 模糊集合操作 73
4.5.1 模糊集合的并集 74
4.5.2 模糊集合的交集 74
4.5.3 模糊集合的補集 74
4.6 模糊集合性質 76
4.7 模糊關系 76
4.8 模糊命題 79
4.8.1 模糊連接詞 79
4.8.2 析取 79
4.8.3 合取 80
4.8.4 否定 80
4.8.5 蘊含 80
4.9 模糊推理 80
4.10 基于模糊規則的系統 81
4.11 數據科學的模糊邏輯 82
4.11.1 應用1：Web內容挖掘 83
4.11.2 應用2：Web結構挖掘 84
4.11.3 應用3：Web使用挖掘 85
4.11.4 應用4：環境和社交數據處理 86
4.12 用模糊邏輯進行數據科學活動的工具和技術 87
4.13 練習 88
參考文獻 88
第5章 人工神經網絡 89
5.1 引言 89
5.2 符號學習方法 90
5.3 人工神經網絡及其特點 91
5.4 ANN模型 93
5.4.1 Hopfield模型 93
5.4.2 感知器模型 94
5.4.3 多層感知器 96
5.4.4 多層感知器的深度學習 98
5.4.5 其他ANN模型 100
5.4.6 線性回歸與神經網絡 101
5.5 ANN工具和程序 102
5.6 社交網絡平臺上的情感挖掘 103
5.6.1 情感挖掘相關工作 103
5.6.2 廣泛架構 104
5.6.3 神經網絡設計 104
5.7 應用與挑戰 106
5.8 關注點 107
5.9 練習 108
參考文獻 109
第6章 遺傳算法與進化計算 111
6.1 引言 111
6.2 遺傳算法 112
6.3 遺傳算法的基本原理 114
6.3.1 個體編碼 114
6.3.2 變異 114
6.3.3 交叉 115
6.3.4 適應度函數 116
6.3.5 選擇 116
6.3.6 其他編碼策略 117
6.4 利用遺傳算法進行函數優化的實例 118
6.5 模式與模式定理 120
6.5.1 實例、定義位和模式順序 120
6.5.2 模式的重要性 121
6.6 基于特殊應用的遺傳算子 121
6.7 進化編程 123
6.8 遺傳算法在醫療保健中的應用 124
6.8.1 醫療保健案例 124
6.8.2 基于遺傳算法的病人調度系統 125
6.8.3 編碼候選者 127
6.8.4 種群上的操作 127
6.8.5 其他應用 128
6.9 練習 130
參考文獻 131
第7章 其他元啟發式和分類方法 132
7.1 引言 132
7.2 自適應記憶過程 132
7.2.1 禁忌搜索 133
7.2.2 分散搜索 134
7.2.3 路徑重連 136
7.3 群體智能 136
7.3.1 蟻群優化 137
7.3.2 人工蜂群算法 138
7.3.3 河流形成動力學 139
7.3.4 粒子群優化 139
7.3.5 隨機擴散搜索 141
7.3.6 群體智能與大數據 142
7.4 案例推理 142
7.4.1 案例推理中的學習 144
7.4.2 案例推理與數據科學 145
7.4.3 處理復雜的領域 146
7.5 粗糙集 146
7.6 練習 148
參考文獻 148
第8章 分析和大數據 149
8.1 引言 149
8.2 傳統分析與大數據分析 150
8.3 大規模并行處理 152
8.3.1 MapReduce 152
8.3.2 與RDBMS的比較 154
8.3.3 共享存儲的并行編程 155
8.3.4 Apache Hadoop 生態系統 155
8.3.5 Hadoop分布式文件系統 157
8.4 NoSQL
展開全部
書友推薦
- >
巴金－再思錄
- >
小考拉的故事-套裝共3冊
- >
我與地壇
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
回憶愛瑪儂
- >
詩經-先民的歌唱
- >
名家帶你讀魯迅:故事新編
- >
上帝之肋:男人的真實旅程
本類暢銷
