由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版新书] 大数据分析——预测建模与评价机制 张聪 清华大学出版社 计算机科学与技术
¥ ×1
书名: | 大数据分析——预测建模与评价机制 |
出版社: | 清华大学出版社 |
出版日期 | 2022 |
ISBN号: | 9787302610274 |
本书将基础理论和算法实现相结合,介绍了关于大数据分析中的相关知识,全面、系统地介绍有关算法的实现过程,并对算法在相关实例上的应用结果进行分析。全书共8章,内容包括差异化空间插值模型的理论原理、利用空间信息的大数据分析预测过程、协作复合神经网络模型的基础架构、利用相关特征的大数据分析预测过程、并行支持向量机的基本原理、并行支持向量机下的风险分类评价研究、集成学习与贝叶斯优化的相关理论和结合贝叶斯优化与集成学习的大数据评价研究等知识。书中每种算法都以伪代码的形式进行描述并附有相应的实例。
本书主要面向广大从事大数据分析、机器学习、数据挖掘或深度学习的专业人员,从事高等教育的专任教师,高等院校的在读学生及相关领域的广大科研人员。 |
|
|
本书的内容涵盖人工智能技术和大数据分析预测与评价应用实例,可作为相关专业技术人员以及本科及以上学生的参考书。 |
|
第1章差异化空间插值模型的理论原理
1.1自适应深度强化学习算法
1.1.1概述
1.1.2竞争深度强化学习算法原理
1.1.3状态值重利用
1.1.4动态模糊隶属度因子
1.1.5自适应深度Q网络
1.1.6对比实验
1.2自调整反距离加权插值模型
1.2.1概述
1.2.2反距离加权法
1.2.3变异函数
1.2.4克里金法
1.2.5自调整反距离加权插值模型介绍
1.3几种常用强化学习算法
1.3.1蒙特卡洛方法
1.3.2时间差分算法
1.3.3Q学习算法
1.3.4深度Q网络
1.3.5双深度Q网络
1.3.6优先经验回放
1.4本章小结
第2章利用空间信息的大数据分析预测过程
2.1大数据时代的空间信息挖掘与分析
2.1.1大数据与空间大数据
2.1.2空间大数据挖掘
2.1.3空间大数据分析
2.2空间信息数据的预测
2.2.1数据预处理
2.2.2预测模型的构建
2.2.3预测结果的对比分析
2.3本章小结
第3章协作复合神经网络模型的基础架构
3.1协作复合神经网络模型概述
3.2自适应动态灰狼优化算法
3.2.1灰狼优化算法原理
3.2.2非线性余弦收敛因子
3.2.3加权位置更新
3.2.4中心扰动准则
3.2.5自适应动态灰狼优化算法运行机制
3.2.6对比实验
3.3小波神经网络模型
3.3.1前向传播过程
3.3.2损失函数
3.3.3RMSProp
3.3.4Nesterov动量
3.4协作复合神经网络模型的构建
3.5知识扩展
3.5.1遗传算法
3.5.2粒子群优化算法
3.5.3模拟退火算法
3.5.4蚁群优化算法
3.5.5常见的反向传播算法
3.6本章小结
第4章利用相关特征的大数据分析预测过程
4.1大数据的分析机制
4.1.1相关性分析
4.1.2训练集与测试集的选择
4.1.3数据归一化预处理
4.2可调整参数的设定机制
4.2.1隐含层节点数的确定
4.2.2学习率设置
4.2.3衰减系数设置
4.3预测模型的性能评价指标
4.3.1单个模型性能评价指标
4.3.2多模型性能对比评价方法
4.4预测性能评价结果及相关分析
4.4.1数据集1上的预测性能评价结果及相关分析
4.4.2数据集2上的预测性能评价结果及相关分析
4.5知识扩展
4.5.1径向基神经网络预测模型
4.5.2模糊神经网络预测模型
4.6本章小结
第5章并行支持向量机的基本原理
5.1并行支持向量机概述
5.2协同鸟群算法
5.2.1鸟群算法原理
5.2.2抱团行为
5.2.3基于适应度差值比的位置更新方式
5.2.4接受准则
5.2.5协同鸟群算法运行机制
5.2.6对比实验
5.3支持向量机分类模型
5.3.1概述
5.3.2统计学习原理
5.3.3核函数
5.3.4分类过程
5.4并行支持向量机模型的构建
5.5知识扩展
5.5.1萤火虫算法
5.5.2磷虾群算法
5.5.3算法特性对比分析
5.6本章小结
第6章并行支持向量机下的风险分类评价研究——以土壤重金属数据为例
6.1土壤重金属污染概述及风险评价研究现状
6.2土壤污染评价方法
6.2.1土壤地球化学基准值与背景值
6.2.2国家规定的土壤污染风险管控标准
6.2.3土壤重金属污染评价方法
6.3土壤重金属数据的预处理
6.4大数据风险评价结果
6.4.1评价模型的参数设置
6.4.2污染风险分类评价结果
6.5评价模型的性能评价
6.6知识扩展
6.6.1决策树算法
6.6.2K近邻算法
6.7本章小结
第7章集成学习与贝叶斯优化的相关理论
7.1集成学习方法
7.1.1集成学习
7.1.2随机森林原理
7.1.3个体学习器集成策略
7.1.4加权随机森林算法运行机制
7.1.5对比实验
7.2类别不平衡数据集的处理
7.2.1上采样算法
7.2.2下采样算法
7.2.3混合采样算法
7.3贝叶斯优化
7.3.1贝叶斯优化调参原理
7.3.2概率代理模型
7.3.3采集函数
7.4知识扩展
7.4.1Stacking算法
7.4.2逻辑回归分类
7.5本章小结
第8章结合贝叶斯优化与集成学习的大数据评价研究——以土壤重金属 数据为例
8.1污染评价方法及目标值标记
8.2数据重采样与预处理
8.2.1数据重采样
8.2.2预处理
8.3集成学习下的土壤污染风险评价结果
8.3.1算法超参数设置
8.3.2蔡甸区风险评价实验
8.3.3江夏区风险评价实验
8.3.4武汉市整体风险评价实验
8.3.5应用贝叶斯优化调参
8.4知识扩展
8.4.1贝叶斯分类算法
8.4.2梯度提升树算法
8.5本章小结
参考文献 |
随着信息技术的快速发展,特别是云时代的来临,“大数据”这个概念受到越来越多人的关注,通过对大数据进行挖掘分析,可以帮助各个行业获得更好、更快的发展,例如消费行业可以利用大数据为消费者提供精准的营销; 互联网行业可以利用大数据为人们提供更为方便的人机交互体验等,因此如何利用大数据创造出更多的价值是目前的研究重点。 目前,对大数据的分析主要体现在两方面,分别为大数据预测与大数据评价。为了让更多人了解与掌握大数据分析的相关知识,本书的内容也主要从这两方面进行展开,首先介绍大数据分析中的基础知识,然后针对相关算法的实现过程进行说明,最后对算法在相关实例上的应用结果进行分析。 本书主要内容 第1~4章的内容围绕大数据预测的相关知识及其应用展开,分别为差异化空间插值模型的理论原理、利用空间信息的大数据分析预测过程、协作复合神经网络模型的基础架构以及利用相关特征的大数据分析预测过程。目前,越来越多的数据都与空间信息直接相关,例如人们的消费数据、微博等社交软件上的社交数据等,而对这些空间信息数据的利用经常会被忽视,因此在第1章与第2章中将主要介绍基于深度强化学习算法提出的差异化空间差值模型及其在空间大数据分析预测上的相关应用。另外,最常见的预测类型是利用数据之间特征的相关性进行分析预测,而随着人工智能技术的发展,人工神经网络与群智能优化算法在大数据预测上的研究与应用也越来越多,因此在第3章与第4章中介绍人工神经网络与群智能优化算法的相关知识并提出了一种新的协作复合神经网络模型,之后以土壤重金属含量预测为例,详细说明使用该模型利用数据特征信息进行大数据分析预测的相关过程。
第5~8章的内容围绕大数据评价的相关知识及其应用展开,分别为并行支持向量机的基本原理、并行支持向量机下的风险分类评价研究、集成学习与贝叶斯优化的相关理论以及结合贝叶斯优化与集成学习的大数据评价研究。大数据评价主要是以事物本身评价的标准作为相关依据对数据信息进行划分,因此,对大数据进行评价的过程等同于对大数据进行类别划分的过程,即大数据分类。与大数据预测一样,人工智能算法与大数据分类的结合也是目前研究的热门话题之一,最常见的如支持向量机、随机森林等,本书也将围绕人工智能算法与大数据分类的相关知识展开介绍。在第5章中除介绍支持向量机的基本原理外,还提出一种可用于大数据分类的并行支持向量机模型。第7章则是围绕集成学习与贝叶斯优化这两种机器学习方法进行具体的说明与改进,而在第6章与第8章中,均以土壤重金属数据为例,详细介绍使用第5章与第7章中的相关模型进行土壤污染风险评价的过程。
通过对大数据分析预测模型及评价机制的相关介绍,旨在帮助读者能够进一步了解大数据分析的相关知识,同时掌握人工智能技术在大数据分析应用上的相关方法,为读者从事与大数据分析相关的学习与工作带来一定的帮助。
本书特色 (1) 难度适中,简单易行。 本书主要讲解当前应用广泛的大数据分析相关算法。算法的学习难度适中,便于读者仿照算法原理进行实验过程的复现。 (2) 结合项目,注重应用。 本书以知识点与实战项目案例相结合的方式,由浅入深地带领读者掌握大数据分析技术,旨在培养读者学以致用的能力。 (3) 横向比较,突出差别。 本书配有知识扩展内容,通过横向比较,对同一类型的不同算法,以案例形式向读者展示不同算法的应用。 (4) 语言简洁,易于理解。 本书语言简洁精炼,以便学生在学习过程中明确本书的重点内容,更好地掌握大数据分析技术。 配套资源 本书提供部分源代码。获取源代码方式: 先刮开并用手机版微信App扫描本书封底的文泉云盘防盗码,授权后再扫描下方二维码,即可获取。 读者对象 本书主要面向广大从事大数据分析、机器学习、数据挖掘或深度学习的专业人员,从事高等教育的专任教师,高等院校的在读学生及相关领域的广大科研人员。
本书是2018年湖北省技术创新重大专项“武汉城郊农田土壤重金属积累特征及风险评价”(基金号: 2018ABA099)团队成员共同努力的结果。另外,本书在写作过程中参考了网络上的部分优质资源,在此一并表示感谢。 由于作者团队能力有限,书中难免存在疏漏与不妥之处,敬请各位读者批评指正。 作者2022年10月 |
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格