掃一掃
關注中圖網(wǎng)
官方微博
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(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
“觀察—判斷—決策—行動”全環(huán)節(jié)開源數(shù)據(jù)分析 版權信息
- ISBN：9787576312775
- 條形碼：9787576312775 ; 978-7-5763-1277-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
“觀察—判斷—決策—行動”全環(huán)節(jié)開源數(shù)據(jù)分析 內容簡介
本書引入OODA決策循環(huán)理論, 以觀察 (Observe) , 判斷 (Orient) , 決策 (Decide) 和行動 (Act) 循環(huán)理論來貫穿整個開源數(shù)據(jù)分析過程, 為數(shù)據(jù)到行動提供整套開源情報分析框架與理論技術。不同于傳統(tǒng)的僅從大數(shù)據(jù)分析技術視角來闡述開源數(shù)據(jù)分析的專著, 本書更加全面地闡述從數(shù)據(jù)到?jīng)Q策、從訣策到行動的全環(huán)節(jié)開源數(shù)據(jù)分析技術, 使得讀者能夠更加清晰地了解開源數(shù)據(jù)分析環(huán)節(jié)流程、以及各環(huán)節(jié)對應的典型關鍵技術, 能夠為數(shù)據(jù)產生真正訣策與行動提供理論與技術支撐, 為數(shù)據(jù)智能化運用提供理論支撐。本書的內容包括近幾年開源數(shù)據(jù)挖掘的前沿技術, 內容新穎, 時效性強。
“觀察—判斷—決策—行動”全環(huán)節(jié)開源數(shù)據(jù)分析 目錄
緒論篇
第1章 OODA基礎理論
1.1 模型構成
1.2 基于OODA數(shù)據(jù)分析相關理論及案例
第2章 OODA全環(huán)節(jié)開源數(shù)據(jù)分析概述
2.1 開源數(shù)據(jù)分析概述
2.2 基于O0DA的開源數(shù)據(jù)分析各環(huán)節(jié)概述
觀察篇
第3章 文本表示模型
3.1 布爾模型
3.2 概率模型
3.3 向量空間模型
3.4 分布式詞向量
3.5 分布式字向量
3.6 基于上下文的動態(tài)詞向量語義表示
第4章 話題表示模型
4.1 相關定義
4.2 LDA模型表示
4.3 基于信息熵的表示
4.4 基于LDA模型和信息熵的話題表示模型
4.5 實驗分析
4.6 總結
判斷篇
第5章 影響力分析基礎理論
5.1 影響力個體
5.2 社會網(wǎng)絡影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.3 微博中影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.4 多關系網(wǎng)絡研究現(xiàn)狀
第6章 基于多關系網(wǎng)絡的微博話題層次影響力個體挖掘
6.1 確定博文話題類別
6.2 相關定義
6.3 轉發(fā)網(wǎng)絡
6.4 回復網(wǎng)絡
6.5 復制網(wǎng)絡
6.6 閱讀網(wǎng)絡
6.7 融合多關系網(wǎng)絡
6.8 證明收斂性
6.9 影響力個體分類
第7章 基于用戶行為的話題層面影響力度量
7.1 研究動機
7.2 相關定義
7.3 方法描述
7.4 實驗分析
7.5 本章小結
第8章 面向信息傳播的相互影響力分析
8.1 研究動機
8.2 相關定義
8.3 方法描述
8.4 實驗分析
8.5 本章小結
第9章 基于誤差重構的關鍵傳播節(jié)點識別
9.1 問題描述
9.2 方法描述
9.3 本章小結
第10章 文本情感分析基礎
10.1 文本情感分析基本概念
10.2 文本情感分析主要任務
第11章 面向公眾實體情感民調實體級微博文本情感分析
11.1 引言
11.2 基本框架
11.3 問題描述
11.4 基于循環(huán)神經(jīng)網(wǎng)絡的實體級微博文本情感分析
11.5 基于門控循環(huán)神經(jīng)網(wǎng)絡的序列標記
11.6 實驗與分析
11.7 本章小結
第12章 基于卷積循環(huán)神經(jīng)網(wǎng)絡實體級微博文本情感分析
12.1 引言
12.2 基于卷積神經(jīng)網(wǎng)絡的文本序列標記
12.3 基于卷積循環(huán)神經(jīng)網(wǎng)絡的序列標記
12.4 實驗與分析
12.5 本章小結
決策篇
第13章 基于深度神經(jīng)網(wǎng)絡與注意力機制的機器閱讀理解技術研究
13.1 基于雙向注意力機制的機器閱讀理解模型
13.2 基于雙向長短期記憶網(wǎng)絡的機器閱讀理解模型
13.3 基于自注意力機制與卷積神經(jīng)網(wǎng)絡的機器閱讀理解模型
13.4 實驗結果與分析
13.5 本章小結
第14章 基于集成學習的機器閱讀理解技術研究
14.1 基于集成學習的機器閱讀理解模型
14.2 實驗結果與分析
14.3 本章小結
第15章 融合相互影響力的轉發(fā)行為預測
15.1 研究動機
15.2 相關定義
15.3 方法描述
15.4 實驗分析
15.5 本章小結
第16章 基于相似關系和共現(xiàn)關系的話題流行度預測
16.1 問題背景
16.2 準備工作
16.3 流行度預測方法
16.4 實驗分析
16.5 本章小結
行動篇
第17章 用戶推薦相關理論
17.1 推薦的相關算法
17.2 信息推薦的衡量指標
17.3 本章小結
第18章 基于轉推網(wǎng)絡的個性化推薦模型
18.1 基于轉推網(wǎng)絡的推薦模型框架
18.2 基于用戶相似度的個性化推薦模型
18.3 基于用戶信任度的個性化推薦模型
18.4 基于用戶相似度和信任度的混合推薦模型
18.5 本章小結
第19章 基于內容標簽的個性化推薦模型
19.1 基于內容標簽的推薦模型框架
19.2 標簽特征的抽取
19.3 基于多標簽的興趣度計算
19.4 本章小結
第20章 基于轉推網(wǎng)絡和內容標簽的混合推薦模型
20.1 基于轉推網(wǎng)絡和內容標簽的混合推薦模型框架
20.2 離線實驗設計及分析
20.3 本章小結
第21章 基于排序學習的多因素融合推薦
21.1 概述
21.2 排序函數(shù)定義
21.3 排序函數(shù)訓練
21.4 本章小結
第22章 基于指派模型的推薦優(yōu)化模型
22.1 概述
22.2 構建效用矩陣
22.3 模型優(yōu)化
22.4 解決方案
22.5 本章小結
參考文獻
第1章 OODA基礎理論
1.1 模型構成
1.2 基于OODA數(shù)據(jù)分析相關理論及案例
第2章 OODA全環(huán)節(jié)開源數(shù)據(jù)分析概述
2.1 開源數(shù)據(jù)分析概述
2.2 基于O0DA的開源數(shù)據(jù)分析各環(huán)節(jié)概述
觀察篇
第3章 文本表示模型
3.1 布爾模型
3.2 概率模型
3.3 向量空間模型
3.4 分布式詞向量
3.5 分布式字向量
3.6 基于上下文的動態(tài)詞向量語義表示
第4章 話題表示模型
4.1 相關定義
4.2 LDA模型表示
4.3 基于信息熵的表示
4.4 基于LDA模型和信息熵的話題表示模型
4.5 實驗分析
4.6 總結
判斷篇
第5章 影響力分析基礎理論
5.1 影響力個體
5.2 社會網(wǎng)絡影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.3 微博中影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.4 多關系網(wǎng)絡研究現(xiàn)狀
第6章 基于多關系網(wǎng)絡的微博話題層次影響力個體挖掘
6.1 確定博文話題類別
6.2 相關定義
6.3 轉發(fā)網(wǎng)絡
6.4 回復網(wǎng)絡
6.5 復制網(wǎng)絡
6.6 閱讀網(wǎng)絡
6.7 融合多關系網(wǎng)絡
6.8 證明收斂性
6.9 影響力個體分類
第7章 基于用戶行為的話題層面影響力度量
7.1 研究動機
7.2 相關定義
7.3 方法描述
7.4 實驗分析
7.5 本章小結
第8章 面向信息傳播的相互影響力分析
8.1 研究動機
8.2 相關定義
8.3 方法描述
8.4 實驗分析
8.5 本章小結
第9章 基于誤差重構的關鍵傳播節(jié)點識別
9.1 問題描述
9.2 方法描述
9.3 本章小結
第10章 文本情感分析基礎
10.1 文本情感分析基本概念
10.2 文本情感分析主要任務
第11章 面向公眾實體情感民調實體級微博文本情感分析
11.1 引言
11.2 基本框架
11.3 問題描述
11.4 基于循環(huán)神經(jīng)網(wǎng)絡的實體級微博文本情感分析
11.5 基于門控循環(huán)神經(jīng)網(wǎng)絡的序列標記
11.6 實驗與分析
11.7 本章小結
第12章 基于卷積循環(huán)神經(jīng)網(wǎng)絡實體級微博文本情感分析
12.1 引言
12.2 基于卷積神經(jīng)網(wǎng)絡的文本序列標記
12.3 基于卷積循環(huán)神經(jīng)網(wǎng)絡的序列標記
12.4 實驗與分析
12.5 本章小結
決策篇
第13章 基于深度神經(jīng)網(wǎng)絡與注意力機制的機器閱讀理解技術研究
13.1 基于雙向注意力機制的機器閱讀理解模型
13.2 基于雙向長短期記憶網(wǎng)絡的機器閱讀理解模型
13.3 基于自注意力機制與卷積神經(jīng)網(wǎng)絡的機器閱讀理解模型
13.4 實驗結果與分析
13.5 本章小結
第14章 基于集成學習的機器閱讀理解技術研究
14.1 基于集成學習的機器閱讀理解模型
14.2 實驗結果與分析
14.3 本章小結
第15章 融合相互影響力的轉發(fā)行為預測
15.1 研究動機
15.2 相關定義
15.3 方法描述
15.4 實驗分析
15.5 本章小結
第16章 基于相似關系和共現(xiàn)關系的話題流行度預測
16.1 問題背景
16.2 準備工作
16.3 流行度預測方法
16.4 實驗分析
16.5 本章小結
行動篇
第17章 用戶推薦相關理論
17.1 推薦的相關算法
17.2 信息推薦的衡量指標
17.3 本章小結
第18章 基于轉推網(wǎng)絡的個性化推薦模型
18.1 基于轉推網(wǎng)絡的推薦模型框架
18.2 基于用戶相似度的個性化推薦模型
18.3 基于用戶信任度的個性化推薦模型
18.4 基于用戶相似度和信任度的混合推薦模型
18.5 本章小結
第19章 基于內容標簽的個性化推薦模型
19.1 基于內容標簽的推薦模型框架
19.2 標簽特征的抽取
19.3 基于多標簽的興趣度計算
19.4 本章小結
第20章 基于轉推網(wǎng)絡和內容標簽的混合推薦模型
20.1 基于轉推網(wǎng)絡和內容標簽的混合推薦模型框架
20.2 離線實驗設計及分析
20.3 本章小結
第21章 基于排序學習的多因素融合推薦
21.1 概述
21.2 排序函數(shù)定義
21.3 排序函數(shù)訓練
21.4 本章小結
第22章 基于指派模型的推薦優(yōu)化模型
22.1 概述
22.2 構建效用矩陣
22.3 模型優(yōu)化
22.4 解決方案
22.5 本章小結
參考文獻
展開全部
“觀察—判斷—決策—行動”全環(huán)節(jié)開源數(shù)據(jù)分析 作者簡介
丁兆云，男，1982年出生，國防科技大學系統(tǒng)工程學院副教授，長期從事數(shù)據(jù)挖掘的教學工作。多年負責國防科技大學系統(tǒng)工程學院《數(shù)據(jù)挖掘》考博命題工作，主持湖南省教改課題1項、國防科技大學教改課題1項、發(fā)表教學論文3篇，獲得國防科技大學研究生教學 獎。長期從事數(shù)據(jù)挖掘的科研工作，發(fā)表相關論文約50篇，其中，CCF 期刊與會議10余篇、SCI檢索論文10余篇、EI檢索論文30余篇、計算機一級學報5篇； 發(fā)明專利7項授權、2項處于實審階段；在《計算機研究與發(fā)展》上發(fā)表的論文《微博數(shù)據(jù)挖掘研究綜述》獲科技部2017年度“ 者F5000―中國精品科技期刊 學術論文”，該論文在“中國知網(wǎng)”被引用約200次，下載約8000次，在“萬方”被下載約3000次。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伯納黛特,你要去哪(2021新版)
- >
上帝之肋:男人的真實旅程
- >
詩經(jīng)-先民的歌唱
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
月亮虎
- >
苦雨齋序跋文-周作人自編集
本類暢銷
