醉染图书应用数据分析 原理与应用9787111690443

译者序

前言

致谢

关于作者

贡献者名单

缩略语

章 马尔可夫链及其应用1

1.1简介1

1.2定义1

1.2.1状态空间2

1.2.2轨迹2

1.3使用马尔可夫链的预测5

1.3.1初始状态5

1.3.2长期概率6

1.4马尔可夫链的应用8

第2章隐马尔可夫建模10

2.1隐马尔可夫建模表示法10

2.2释放概率11

.隐马尔可夫模型12

..1建立HMM12

..2图形形式的HMM13

2.4HMM中的三大问题16

2.4.1表示法16

2.4.2问题1的解决方案：似然估计16

2.5状态转移表19

2.5.1输入符号表20

2.5.2输出符号表20

2.6问题3的解决方案：找到HMM20

2.7练习21

第3章卡尔曼滤波器入门

3.1简介

3.2标量形式

3.3矩阵形式26

3.3.1状态变量的模型27

3.3.2状态的高斯表示29

3.4状态矩阵32

3.4.1对象在单个方向上移动的

状态矩阵32

3.4.2二维运动对象的状态矩阵35

3.4.3在三维空间中移动的对象36

3.5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II39

4.1简介39

4.2卡尔曼滤波器中的处理步骤39

4.2.1协方差矩阵39

4.2.2协方差矩阵的计算方法41

4..卡尔曼滤波器中的迭代45

第5章遗传算法50

5.1简介50

5.2遗传算法的步骤50

5.3遗传算法的相关术语51

5.4适应度函数52

5.5选择54

5.5.1轮盘赌54

5.5.2交叉54

5.6优选化单个变量的函数56

5.7连续遗传算法58

5.7.1地形图的海拔58

5.7.2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62

6.1简介62

6.2复合表达式63

6.3计算偏导数63

6.4积分计算66

6.4.1梯形法则66

6.4.2辛普森法则67

6.5多径复合导数67

第7章支持向量机69

7.1简介69

7.2支持向量机的数学基础70

7.2.1超平面简介70

7.2.2平行超平面71

7..两平行平面之间的距离72

7.3支持向量机问题73

7.3.1问题定义73

7.3.2线可分情况73

7.4超平面的定位（素数问题）75

7.4.1确定边界75

7.4.2点xi与分离超平面的距离76

7.4.3求解超平面问题77

7.5拉格朗日优化函数78

7.5.1单约束优化78

7.5.2多约束优化79

7.5.3Karush-Kuhn-Tucker条件81

7.6SVM优化问题81

7.6.1原始SVM优化问题81

7.6.2对偶优化问题82

7.7线SVM数据84

7.7.1松弛变量85

7.7.2使用核的非线数据分类86

参考文献90

第8章人工神经网络91

8.1简介91

8.2神经元91

第9章神经网络训练101

9.1简介101

9.2神经网络架构101

9.3反向传播模型101

9.4带有计算图的反向传播示例104

9.5反向传播104

9.6神经网络实用训练106

9.6.1前向传播106

9.6.2反向传播108

9.7权重方法的初始化111

9.7.1Xavier初始化111

9.7.2批处理标准化112

9.8结论112

参考文献113

0章循环神经网络114

10.1简介114

10.2实例114

10.3原理116

1章卷积神经网络124

11.1简介124

11.2卷积矩阵124

11.3卷积核125

11.4卷积神经网络术语129

11.4.1概念和超参数129

11.4.2CNN处理阶段131

11.4.3池化层133

11.4.4全连接层134

11.5CNN设计原则134

11.6结论135

参考文献135

2章主成分分析136

12.1简介136

12.2定义136

1.主成分计算141

1..1使用向量投影的PCA141

1..2使用协方差矩阵行CA计算142

1..使用奇异值分解的PCA144

1..4PCA的应用145

参考文献146

3章矩母函数147

13.1随机变量的矩147

13.1.1随机变量的中心矩147

13.1.2矩特14

13.2一元矩母函数149

13.3矩母函数的级数表示150

13.3.1概率质量函数的质151

13.3.2概率分布函数f（x）的质151

13.4离散随机变量的矩母函数151

13.4.1伯努利随机变量151

13.4.2二项随机变量152

13.4.3几何随机变量153

13.4.4泊松随机变量153

13.5连续随机变量的矩母函数154

13.5.1指数分布154

13.5.2正态分布154

13.5.3伽马分布155

13.6矩母函数的质156

13.7多元矩母函数156

13.8矩母函数的应用157

4章特征函数158

14.1简介158

14.2离散单随机变量的特征函数159

14.2.1泊松随机变量的特征函数159

14.2.2二项随机变量的特征函数159

14..连续随机变量的特征函数159

5章概率生成函数161

15.1简介161

15.2离散概率生成函数161

15.2.1概率生成函数的质162

15.2.2伯努利随机变量的概率生成函数163

15..二项随机变量的概率生成函数163

15.2.4泊松随机变量的概率生成函数163

15.2.5几何随机变量的概率生成函数164

15.2.6负二项随机变量的概率生成函数165

15.3概率生成函数在数据分析中的应用167

15.3.1离散事件应用167

15.3.2传染病建模168

参考文献170

6章基于人工神经网络的数字身份管理系统171

16.1简介171

16.2数字身份度量171

16.3身份解析172

16.4生物识别系统架构173

16.4.1指纹识别174

16.4.2人脸识别174

16.5信息融合175

16.6人工神经网络176

16.7多模式数字身份管理系统实现177

16.7.1终端、指纹扫描仪和摄像头177

16.7.2指纹和人脸识别SDK178

16.7.3数据库178

16.7.4验：连接到主机并选择验178

16.8结论179

参考文献179

7章物联网数据分类的概率神经网络分类器182

17.1简介182

17.2概率神经网络182

17.3广义回归神经网络184

17.4向量量化GRNN185

17.5试验工作188

17.6结论与未来工作189

参考文献189

8章分层概率有限状态机的MML学习与推断191

18.1简介191

18.2有限状态机和PFSM192

18.2.1有限状态机的数学定义192

18.2.2状态图中的FSM表示192

18.3PFSM的MML编码和推断195

18.3.1建模PFSM195

18.3.2使用MML推断PFSM198

18.4分层概率有限状态机203

18.4.1定义HPFSM204

18.4.2HPFSM设H的MML断言代码205

18.4.3HPFSM转移的编码206

18.5试验207

18.5.1人工数据集试验207

18.5.2ADL数据集试验211

18.6小结214

参考文献215

练习解答217

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线图像、网络安全数据、犯罪数据、电信和市场数据、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。