包郵數(shù)據(jù)分析:基礎(chǔ)、模型及應(yīng)用:foundation, model and applications

作者：周麗華，李維華編著

出版社：科學出版社出版時間：2021-02-01

開本： 24cm 頁數(shù)： 281頁

本類榜單：自然科學銷量榜

中圖價:¥93.2(7.9折) 定價 ~~¥118.0~~ 登錄后可看到會員價

加入購物車收藏

開年大促， 全場包郵

?新疆、西藏除外

本類五星書更多>

>
宇宙、量子和人類心靈

宇宙、量子和人類心靈

¥32.9¥58
>
氣候文明史

氣候文明史

¥41.7¥69
>
南極100天

南極100天

¥6.8¥13.5
>
考研數(shù)學專題練1200題

考研數(shù)學專題練1200題

¥27.5¥78
>
希格斯:“上帝粒子”的發(fā)明與發(fā)現(xiàn)

希格斯:“上帝粒子”的發(fā)明與發(fā)現(xiàn)

¥22.6¥48
>
神農(nóng)架疊層石:10多億年前遠古海洋微生物建造的大堡礁

神農(nóng)架疊層石:10多億年前遠古海洋微生物建造的大堡礁

¥93.6¥120
>
聲音簡史

聲音簡史

¥29.1¥52

買過本商品的人還買了

可靠性時空數(shù)據(jù)分析
史文中等
¥93.2~~¥118.0~~

商品詳情
商品評論(0條)

中圖價:¥93.2 加入購物車

版權(quán)信息
內(nèi)容簡介
目錄

數(shù)據(jù)分析:基礎(chǔ)、模型及應(yīng)用:foundation, model and applications 版權(quán)信息

ISBN：9787030680495
條形碼：9787030680495 ; 978-7-03-068049-5
裝幀：一般膠版紙
冊數(shù)：暫無
重量：暫無
所屬分類：
自然科學
>
數(shù)學
>
數(shù)學理論

數(shù)據(jù)分析:基礎(chǔ)、模型及應(yīng)用:foundation, model and applications 內(nèi)容簡介

《數(shù)據(jù)分析——基礎(chǔ)、模型及應(yīng)用》以基礎(chǔ)、模型及應(yīng)用為主線, 介紹數(shù)據(jù)分析的基礎(chǔ)知識、經(jīng)典模型以及相關(guān)應(yīng)用. 內(nèi)容包括非負矩陣分解、張量分解、深度學習、寬度學習的經(jīng)典模型與學習方法, 以及作者對相關(guān)模型的擴展及其在多視角聚類、地理傳感數(shù) 據(jù)預測、信息級聯(lián)預測及蛋白質(zhì)二級結(jié)構(gòu)預測中的應(yīng)用研究. 《數(shù)據(jù)分析——基礎(chǔ)、模型及應(yīng)用》內(nèi)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(shù)據(jù)分析:基礎(chǔ)、模型及應(yīng)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(chǔ)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(shù)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(shù)據(jù)兒何結(jié)構(gòu)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(jié)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(chǔ)77
2.1.1 矩陣的Hada.mard 積、Kron礎(chǔ).er 積和Khatri-Rao 積77
21.2 矩陣函數(shù)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(nèi)積、范數(shù)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(jié) 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(chǔ)108
3.1.1 矩陣、向量求導 108
31.2 激活函數(shù)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(jīng)網(wǎng)絡(luò).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(jīng)網(wǎng)絡(luò) 131
3.2.6 循環(huán)神經(jīng)網(wǎng)絡(luò) 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(jīng)網(wǎng)絡(luò) 157
3.2.10深度卷積生成對抗網(wǎng)絡(luò) 167
3.2.11深度殘差網(wǎng)絡(luò)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(jié)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(shù)連接網(wǎng)絡(luò)186
4.1.1 RVFLNN 的結(jié)構(gòu)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(jié)構(gòu)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(jié)206
參考文獻注釋206
參考文獻206
第5 章模型的擴展及應(yīng)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(zhuǎn)換多變量時間序列為多關(guān)系網(wǎng)絡(luò) 208
51.2 多關(guān)系網(wǎng)絡(luò)的多非負矩陣分解 209
51.3 動態(tài)多關(guān)系網(wǎng)絡(luò)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(shù)據(jù)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(zhì)二級結(jié)構(gòu)預測.254
5.4.1 蛋白質(zhì)二級結(jié)構(gòu)254
5.4.2 蛋白質(zhì)二級結(jié)構(gòu)預測框架.255
5.4.3 結(jié)合CNN 與BLSTM 的預測模型 256
5.4.4 結(jié)合CNN 與BGRU 的預測模型257
5.4.5 結(jié)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(lǐng)域情感分析263
5.5.1 共享詞的選擇 264
5.5.2 模型設(shè)計265
5.5.3 實驗與分析 266
5.6 基于雙向LSTM 神經(jīng)網(wǎng)絡(luò)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(jié)277
參考文獻注釋277
參考文獻279

展開全部

商品評論(0條)

寫書評賺書幣

暫無評論……

書友推薦