新書推薦：
《
改变历史的意大利豪门 ： 传奇家族美第奇
》
售價：NT$
420.0
《
Procreate插画手绘从新手到高手
》
售價：NT$
493.0
《
山河不足重，重在遇知己
》
售價：NT$
252.0
《
独自走过悲喜
》
售價：NT$
381.0
《
永不停步：玛格丽特·阿特伍德传
》
售價：NT$
442.0
《
假努力：方向不对，一切白费
》
售價：NT$
335.0
《
北京三万里
》
售價：NT$
437.0
《
争吵的恋人：我们为什么相爱，又为什么争吵
》
售價：NT$
330.0
|
| 編輯推薦： |
|
需要进行分析且在某些情况下需要实时处理的数据大量出现，例如医学应用中的X射线图像、网络安全数据、犯罪数据、电信和股票市场数据、健康记录、商业分析数据等，这迫使人们探索处理超大量数据的快速算法。包括R、RapidMiner和Weka在内的应用程序和平台为分析提供了基础，但这些平台的使用者往往很少关注或根本不关注对数据结果有很大影响的底层数学和处理过程，导致无法解释结果或纠正错误，甚至无法发现错误。本书试图通过提供一些大数据分析中较受欢迎的技术来弥补这一差距。当使用广泛可用的开源和商业化计算平台、语言和可视化系统进行大数据分析时，本书相当有用。与这些平台结合在一起，本书提供了处理大数据所需的一整套工具，可以快速实现和应用。本书对机器学习基础、深度学习、人工智能、统计和演化学习的综合概念进行了充分的解释，提供了相关的应用程序，适合本科生、研究生和大数据分析爱好者阅读。本书可以缓解人们对数据分析相关数学知识的恐惧，并有助于开发人工智能、环境传感器数据建模和分析、健康信息学、商业数据分析、物联网数据及深度学习应用。
|
| 內容簡介： |
|
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。
|
| 目錄：
|
|
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11.1简介11.2定义11.2.1状态空间21.2.2轨迹21.3使用马尔可夫链的预测51.3.1初始状态51.3.2长期概率61.4马尔可夫链的应用8第2章隐马尔可夫建模102.1隐马尔可夫建模表示法102.2释放概率112.3隐马尔可夫模型122.3.1建立HMM122.3.2图形形式的HMM132.4HMM中的三大问题162.4.1表示法162.4.2问题1的解决方案：似然估计162.5状态转移表192.5.1输入符号表202.5.2输出符号表202.6问题3的解决方案：找到HMM202.7练习21第3章卡尔曼滤波器入门233.1简介233.2标量形式233.3矩阵形式263.3.1状态变量的模型273.3.2状态的高斯表示293.4状态矩阵323.4.1对象在单个方向上移动的状态矩阵323.4.2二维运动对象的状态矩阵353.4.3在三维空间中移动的对象363.5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II394.1简介394.2卡尔曼滤波器中的处理步骤394.2.1协方差矩阵394.2.2协方差矩阵的计算方法414.2.3卡尔曼滤波器中的迭代45第5章遗传算法505.1简介505.2遗传算法的步骤505.3遗传算法的相关术语515.4适应度函数525.5选择545.5.1轮盘赌545.5.2交叉545.6化单个变量的函数565.7连续遗传算法585.7.1地形图的海拔585.7.2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626.1简介626.2复合表达式636.3计算偏导数636.4积分计算666.4.1梯形法则666.4.2辛普森法则676.5多径复合导数67第7章支持向量机697.1简介697.2支持向量机的数学基础707.2.1超平面简介707.2.2平行超平面717.2.3两平行平面之间的距离727.3支持向量机问题737.3.1问题定义737.3.2线性可分情况737.4超平面的定位（素数问题）757.4.1确定边界757.4.2点xi与分离超平面的距离767.4.3求解超平面问题777.5拉格朗日优化函数787.5.1单约束优化787.5.2多约束优化797.5.3Karush-Kuhn-Tucker条件817.6SVM优化问题817.6.1原始SVM优化问题817.6.2对偶优化问题827.7线性SVM数据847.7.1松弛变量857.7.2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918.1简介918.2神经元91第9章神经网络训练1019.1简介1019.2神经网络架构1019.3反向传播模型1019.4带有计算图的反向传播示例1049.5反向传播1049.6神经网络实用训练1069.6.1前向传播1069.6.2反向传播1089.7权重方法的初始化1119.7.1Xavier初始化1119.7.2批处理标准化1129.8结论112参考文献113第10章循环神经网络11410.1简介11410.2实例11410.3原理116第11章卷积神经网络12411.1简介12411.2卷积矩阵12411.3卷积核12511.4卷积神经网络术语12911.4.1概念和超参数12911.4.2CNN处理阶段13111.4.3池化层13311.4.4全连接层13411.5CNN设计原则13411.6结论135参考文献135第12章主成分分析13612.1简介13612.2定义13612.3主成分计算14112.3.1使用向量投影的PCA14112.3.2使用协方差矩阵进行PCA计算14212.3.3使用奇异值分解的PCA14412.3.4PCA的应用145参考文献146第13章矩母函数14713.1随机变量的矩14713.1.1随机变量的中心矩14713.1.2矩特性14813.2一元矩母函数14913.3矩母函数的级数表示15013.3.1概率质量函数的性质15113.3.2概率分布函数f（x）的性质15113.4离散随机变量的矩母函数15113.4.1伯努利随机变量15113.4.2二项随机变量15213.4.3几何随机变量15313.4.4泊松随机变量15313.5连续随机变量的矩母函数15413.5.1指数分布15413.5.2正态分布15413.5.3伽马分布15513.6矩母函数的性质15613.7多元矩母函数15613.8矩母函数的应用157第14章特征函数15814.1简介15814.2离散单随机变量的特征函数15914.2.1泊松随机变量的特征函数15914.2.2二项随机变量的特征函数15914.2.3连续随机变量的特征函数159第15章概率生成函数16115.1简介16115.2离散概率生成函数16115.2.1概率生成函数的性质16215.2.2伯努利随机变量的概率生成函数16315.2.3二项随机变量的概率生成函数16315.2.4泊松随机变量的概率生成函数16315.2.5几何随机变量的概率生成函数16415.2.6负二项随机变量的概率生成函数16515.3概率生成函数在数据分析中的应用16715.3.1离散事件应用16715.3.2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17116.1简介17116.2数字身份度量17116.3身份解析17216.4生物识别系统架构17316.4.1指纹识别17416.4.2人脸识别17416.5信息融合17516.6人工神经网络17616.7多模式数字身份管理系统实现17716.7.1终端、指纹扫描仪和摄像头17716.7.2指纹和人脸识别SDK17816.7.3数据库17816.7.4验证：连接到主机并选择验证17816.8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18217.1简介18217.2概率神经网络18217.3广义回归神经网络18417.4向量量化GRNN18517.5试验工作18817.6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19118.1简介19118.2有限状态机和PFSM19218.2.1有限状态机的数学定义19218.2.2状态图中的FSM表示19218.3PFSM的MML编码和推断19518.3.1建模PFSM19518.3.2使用MML推断PFSM19818.4分层概率有限状态机20318.4.1定义HPFSM20418.4.2HPFSM假设H的MML断言代码20518.4.3HPFSM转移的编码20618.5试验20718.5.1人工数据集试验20718.5.2ADL数据集试验21118.6小结214参考文献215练习解答217
|
| 內容試閱：
|
|
二十多年前，世界上许多电子工程和计算实验室都致力于信号处理研究。信号处理专家通常大量应用线性代数和微积分从信号中获得洞察。近年来，信号处理概念与统计数据分析相结合，开创了大数据分析的新领域。信号处理的再生打开了许多组织作为高性能工业数据应用金矿的数据存储库。数据分析应用概念源自应用统计学、数据挖掘、人工智能和深度学习。本书中的许多概念都是对深度学习和人工智能基础知识的简化。在本书中，我们解释了基本的数学概念，并对研究生和准研究生经常感到困难的课题给予了极大的关注。本书涵盖卡尔曼滤波器、马尔可夫链、隐马尔可夫模型（HMM）、神经网络、循环神经网络、卷积神经网络、概率神经网络、支持向量机、遗传算法、有限状态机和计算图。关于统计学的章节假定读者具备本科阶段的统计学基础知识，对更难理解的概念进行了深入的解释，包括主成分分析，以及使用概率生成函数、矩母函数、特征函数的统计分布。本书中介绍的大多数算法基础都是稳定的，信号处理和应用统计专家已经使用了数十年。它们同样适用于生物信息学、数据聚类和分类、数据可视化、传感器应用和跟踪。本书主要针对研究生课程，提供了捕获、理解、分析、设计和开发数据分析框架所需的相关数学工具与概念，还简化了数据分析软件程序的开发以及数据分析在各个行业中的应用。通过简化算法并使用相关的工作示例，本书能帮助你理解将来继续学习数据分析时使用的其他概念。本书有两章来自我以前的研究生，还有一章来自其他人。这些章节是长期应用基本概念的结果。我们向教师、研究生和导师、课程和算法设计师、数据和大数据分析以及深度学习领域的开发人员推荐本书。有效掌握这些基础内容，你将有能力获得关于数据分析和深度学习的更深入的实践见解。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
