中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發(fā)明與發(fā)現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
買過本商品的人還買了
數據分析:基礎、模型及應用:foundation, model and applications 版權信息
- ISBN：9787030680495
- 條形碼：9787030680495 ; 978-7-03-068049-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據分析:基礎、模型及應用:foundation, model and applications 內容簡介
《數據分析——基礎、模型及應用》以基礎、模型及應用為主線, 介紹數據分析的基礎知識、經典模型以 及相關應用. 內容包括非負矩陣分解、張量分解、深度學習、寬度學習的經典 模型與學習方法, 以及作者對相關模型的擴展及其在多視角聚類、地理傳感數 據預測、信息級聯(lián)預測及蛋白質二級結構預測中的應用研究. 《數據分析——基礎、模型及應用》內容全面, 深入淺出, 既詳細介紹了基本概念、思想和算法, 也提供了大量示例、圖表和 對比分析.
數據分析:基礎、模型及應用:foundation, model and applications 目錄
目錄
前言
第1 章非負矩陣分解1
1.1矩陣分解基礎1
1.1.1 矩陣的二次型 1
1.1.2 矩陣的行列式 2
1.1.3 矩陣的特征值 3
1.1.4 矩陣的跡 3
1.1.5 矩陣的秩 4
1.1.6 逆矩陣 5
1.1.7 矩陣的向量化和向量的矩陣化 6
1.1.8 矩陣微分8
1.1.9 范數15
1.1.10 KKT 條件17
1.1.11 拉普拉斯矩陣17
1.2 標準非負矩陣分解18
1.3 單視圖的NMF21
1.3.1 考慮稀疏、平滑控制的NMF 21
1.3.2 考慮數據兒何結構信息的NMF 24
1.3.3 考慮噪聲的NMF 31
1.3.4 考慮流形的NMF 35
1.3.5 放松非負約束的NMF40
1.3.6 考慮效率的NMF 45
1.4 多視圖的非負矩陣分解.57
1.4.1 基于共識矩陣的多視圖NMF57
1.4.2 聯(lián)合非負矩陣分解62
1.4.3 多流形正則化非負矩陣分解62
1.4.4 圖正則的多視圖半非負矩陣分解 69
1.5 本章小結73
參考文獻注釋
參考文獻.74
第2 章張量分解77
2.1 張量分解基礎77
2.1.1 矩陣的Hada.mard 積、Kron礎.er 積和Khatri-Rao 積77
21.2 矩陣函數微分 80
2.2 張量概念及基本運算 85
2.2.1 張量概念 85
2.2.2 張量矩陣化 86
2.2.3 張量的內積、范數與外積87
2.2.4 張量乘88
2.3 張量的CP 分解 89
2.3.1 CP 分解形式89
2.3.2 CP 分解的求解90
2.4張量的回也分解 ９１
2.4.1 Thcker 分解形式 94
2.4.2 Thcker 分解的求解 96
日CP 分解與白也r 分解的比較 103
2.6 非負張量分解.104
2.6.1 非負CP 分解104
2.6.2 ~陸四也r 分解 105
2.7 本章小結 106
參考文獻注釋106
參考文獻107
第3 章深度學習 108
3.1 深度學習基礎108
3.1.1 矩陣、向量求導 108
31.2 激活函數112
31.3 按元素乘 114
31.4 卷積與反卷積115
3.2 深度學習模型.120
3.2.1 感知器120
3.2.2 全連接神經網絡.121
3.2.3 玻爾茲曼機 126
3.2.4 自編碼器129
3.2.5 卷積神經網絡 131
3.2.6 循環(huán)神經網絡 142
3.2.7長短期記憶 150
3.2.8門控循環(huán)單元156
3.2.9遞歸神經網絡 157
3.2.10深度卷積生成對抗網絡 167
3.2.11深度殘差網絡168
3.2.12注意力模型171
3.2.14 Skip-gram 模型 174
3.2.15 學會學習算法 178
3.3 本章小結181
參考文獻注釋184
參考文獻185
第4 章寬度學習 186
4.1 隨機向量函數連接網絡186
4.1.1 RVFLNN 的結構186
41.2 即FLNN 的動態(tài)逐步更新算法187
4.2 寬度學習系統(tǒng).188
4.2.1 寬度學習系統(tǒng)的結構188
4.2.2 BLS 的增量學習190
4.3 B囚的變體196
4.3.1 特征映射節(jié)點的級聯(lián)196
4.3.2 *后一組特征映射節(jié)點級聯(lián)連接到增強節(jié)點197
4.3.3 增強節(jié)點的級聯(lián)198
4.3.4特征映射節(jié)點和增強節(jié)點的級聯(lián)200
4.3.5 卷積特征制才節(jié)點的級聯(lián).201
4.3.6 模糊寬度學習系統(tǒng) 201
4.4本章小結206
參考文獻注釋206
參考文獻206
第5 章模型的擴展及應用研究207
5.1 基于矩陣分解的多變量時間序列聚類.207
5.1.1 轉換多變量時間序列為多關系網絡 208
51.2 多關系網絡的多非負矩陣分解 209
51.3 動態(tài)多關系網絡的多非負矩陣分解 212
51.4 實驗與分析 215
5.2 基于張量分解的地理傳感數據預測222
5.2.1 模型框架 223
5.2.2 預測方法.223
5.2.3 實驗與分析 228
5.3 基于LDA-DeepHawi
5.3.1 Hawkes 過程.234
5.3.2 DeepHawl
5.3.3 LDA-DeepHawk田模型238
5.3.4 LDA-DeepHawk，國算法描述244
5.3.5 實驗與分析 244
5.4基于CNN 和RNN 的蛋白質二級結構預測.254
5.4.1 蛋白質二級結構254
5.4.2 蛋白質二級結構預測框架.255
5.4.3 結合CNN 與BLSTM 的預測模型 256
5.4.4 結合CNN 與BGRU 的預測模型257
5.4.5 結合非對稱CNN 與BLSTM 的預測模型258
5.4.6 實驗與分析 259
5.5 CNN 的跨領域情感分析263
5.5.1 共享詞的選擇 264
5.5.2 模型設計265
5.5.3 實驗與分析 266
5.6 基于雙向LSTM 神經網絡模型的中文分詞270
5.6.1 基于改進的雙向LSTM 的中文分詞模型271
5.6.2 實驗與分析 274
5.7 本章小結277
參考文獻注釋277
參考文獻279
前言
第1 章非負矩陣分解1
1.1矩陣分解基礎1
1.1.1 矩陣的二次型 1
1.1.2 矩陣的行列式 2
1.1.3 矩陣的特征值 3
1.1.4 矩陣的跡 3
1.1.5 矩陣的秩 4
1.1.6 逆矩陣 5
1.1.7 矩陣的向量化和向量的矩陣化 6
1.1.8 矩陣微分8
1.1.9 范數15
1.1.10 KKT 條件17
1.1.11 拉普拉斯矩陣17
1.2 標準非負矩陣分解18
1.3 單視圖的NMF21
1.3.1 考慮稀疏、平滑控制的NMF 21
1.3.2 考慮數據兒何結構信息的NMF 24
1.3.3 考慮噪聲的NMF 31
1.3.4 考慮流形的NMF 35
1.3.5 放松非負約束的NMF40
1.3.6 考慮效率的NMF 45
1.4 多視圖的非負矩陣分解.57
1.4.1 基于共識矩陣的多視圖NMF57
1.4.2 聯(lián)合非負矩陣分解62
1.4.3 多流形正則化非負矩陣分解62
1.4.4 圖正則的多視圖半非負矩陣分解 69
1.5 本章小結73
參考文獻注釋
參考文獻.74
第2 章張量分解77
2.1 張量分解基礎77
2.1.1 矩陣的Hada.mard 積、Kron礎.er 積和Khatri-Rao 積77
21.2 矩陣函數微分 80
2.2 張量概念及基本運算 85
2.2.1 張量概念 85
2.2.2 張量矩陣化 86
2.2.3 張量的內積、范數與外積87
2.2.4 張量乘88
2.3 張量的CP 分解 89
2.3.1 CP 分解形式89
2.3.2 CP 分解的求解90
2.4張量的回也分解 ９１
2.4.1 Thcker 分解形式 94
2.4.2 Thcker 分解的求解 96
日CP 分解與白也r 分解的比較 103
2.6 非負張量分解.104
2.6.1 非負CP 分解104
2.6.2 ~陸四也r 分解 105
2.7 本章小結 106
參考文獻注釋106
參考文獻107
第3 章深度學習 108
3.1 深度學習基礎108
3.1.1 矩陣、向量求導 108
31.2 激活函數112
31.3 按元素乘 114
31.4 卷積與反卷積115
3.2 深度學習模型.120
3.2.1 感知器120
3.2.2 全連接神經網絡.121
3.2.3 玻爾茲曼機 126
3.2.4 自編碼器129
3.2.5 卷積神經網絡 131
3.2.6 循環(huán)神經網絡 142
3.2.7長短期記憶 150
3.2.8門控循環(huán)單元156
3.2.9遞歸神經網絡 157
3.2.10深度卷積生成對抗網絡 167
3.2.11深度殘差網絡168
3.2.12注意力模型171
3.2.14 Skip-gram 模型 174
3.2.15 學會學習算法 178
3.3 本章小結181
參考文獻注釋184
參考文獻185
第4 章寬度學習 186
4.1 隨機向量函數連接網絡186
4.1.1 RVFLNN 的結構186
41.2 即FLNN 的動態(tài)逐步更新算法187
4.2 寬度學習系統(tǒng).188
4.2.1 寬度學習系統(tǒng)的結構188
4.2.2 BLS 的增量學習190
4.3 B囚的變體196
4.3.1 特征映射節(jié)點的級聯(lián)196
4.3.2 *后一組特征映射節(jié)點級聯(lián)連接到增強節(jié)點197
4.3.3 增強節(jié)點的級聯(lián)198
4.3.4特征映射節(jié)點和增強節(jié)點的級聯(lián)200
4.3.5 卷積特征制才節(jié)點的級聯(lián).201
4.3.6 模糊寬度學習系統(tǒng) 201
4.4本章小結206
參考文獻注釋206
參考文獻206
第5 章模型的擴展及應用研究207
5.1 基于矩陣分解的多變量時間序列聚類.207
5.1.1 轉換多變量時間序列為多關系網絡 208
51.2 多關系網絡的多非負矩陣分解 209
51.3 動態(tài)多關系網絡的多非負矩陣分解 212
51.4 實驗與分析 215
5.2 基于張量分解的地理傳感數據預測222
5.2.1 模型框架 223
5.2.2 預測方法.223
5.2.3 實驗與分析 228
5.3 基于LDA-DeepHawi
5.3.1 Hawkes 過程.234
5.3.2 DeepHawl
5.3.3 LDA-DeepHawk田模型238
5.3.4 LDA-DeepHawk，國算法描述244
5.3.5 實驗與分析 244
5.4基于CNN 和RNN 的蛋白質二級結構預測.254
5.4.1 蛋白質二級結構254
5.4.2 蛋白質二級結構預測框架.255
5.4.3 結合CNN 與BLSTM 的預測模型 256
5.4.4 結合CNN 與BGRU 的預測模型257
5.4.5 結合非對稱CNN 與BLSTM 的預測模型258
5.4.6 實驗與分析 259
5.5 CNN 的跨領域情感分析263
5.5.1 共享詞的選擇 264
5.5.2 模型設計265
5.5.3 實驗與分析 266
5.6 基于雙向LSTM 神經網絡模型的中文分詞270
5.6.1 基于改進的雙向LSTM 的中文分詞模型271
5.6.2 實驗與分析 274
5.7 本章小結277
參考文獻注釋277
參考文獻279
展開全部
書友推薦
- >
朝聞道
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
伊索寓言-世界文學名著典藏-全譯本
- >
自卑與超越
- >
李白與唐代文化
- >
羅曼·羅蘭讀書隨筆-精裝
- >
巴金－再思錄
- >
月亮虎
本類暢銷
