了得網自然科學_數據分析——基礎、模型及應用

	[ 收藏 ] [ 繁体中文 ]
臺灣貨到付款、ATM、超商、信用卡PAYPAL付款，4-7個工作日送達，999元臺幣免運費　　　在線留言商品價格為新臺幣

商品搜索

类别：

关键字：

商品分类

數據分析——基礎、模型及應用
該商品所屬分類：自然科學 -> 數學
【市場價】	1302-1888元
【優惠價】	814-1180元
【作者】	周麗華，李維華
【所屬類別】	圖書自然科學數學數學理論
【出版社】	科學出版社
【ISBN】	9787030680495
【折扣說明】	一次購物滿999元台幣免運費+贈品一次購物滿2000元台幣95折+免運費+贈品一次購物滿3000元台幣92折+免運費+贈品一次購物滿4000元台幣88折+免運費+贈品
【本期贈品】	①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾

版本	正版全新電子版PDF檔
您已选择：	正版全新
溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。 . 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。 . 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。

內容介紹

開本：16開

紙張：膠版紙

包裝：平裝膠訂

是否套裝：否

國際標準書號ISBN：9787030680495

作者：周麗華，李維華

出版社：科學出版社

出版時間：2022年02月

內容簡介

本書以基礎、模型及應用為主線,介紹數據分析的基礎知識、經典模型以及相關應用.內容包括非負矩陣分解、張量分解、深度學習、寬度學習的經典模型與學習方法,以及作者對相關模型的擴展及其在多視角聚類、地理傳感數據預測、信息級聯預測及蛋白質二級結構預測中的應用研究.本書內容全面,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.

目錄
前言
第1 章非負矩陣分解1
1.1矩陣分解基礎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 範數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 考慮數據兒何結構信息的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 基於共識矩陣的多視圖NMF57
1.4.2 聯合非負矩陣分解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77
2.1.1 矩陣的Hada.mard 積、Kron礎.er 積和Khatri-Rao 積77
21.2 矩陣函數微分 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 張量的內積、範數與外積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 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108
3.1.1 矩陣、向量求導 108
31.2 激活函數112
31.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 全連接神經網絡.121
3.2.3 玻爾茲曼機 126
3.2.4 自編碼器129
3.2.5 卷積神經網絡 131
3.2.6 循環神經網絡 142
3.2.7長短期記憶 150
3.2.8門控156
3.2.9遞歸神經網絡 157
3.2.10深度卷積生成對抗網絡 167
3.2.11深度殘差網絡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 隨機向量函數連接網絡186
4.1.1 RVFLNN 的結構186
41.2 即FLNN 的動態逐步更新算法187
4.2 寬度學習繫統.188
4.2.1 寬度學習繫統的結構188
4.2.2 BLS 的增量學習190
4.3 B囚的變體196
4.3.1 特征映射節點的級聯196
4.3.2 *後一組特征映射節點級聯連接到增強節點197
4.3.3 增強節點的級聯198
4.3.4特征映射節點和增強節點的級聯200
4.3.5 卷積特征制纔節點的級聯.201
4.3.6 模糊寬度學習繫統 201
4.4本章小結206
參考文獻注釋206
參考文獻206
第5 章模型的擴展及應用研究207
5.1 基於矩陣分解的多變量時間序列聚類.207
5.1.1 轉換多變量時間序列為多關繫網絡 208
51.2 多關繫網絡的多非負矩陣分解 209
51.3 動態多關繫網絡的多非負矩陣分解 212
51.4 實驗與分析 215
5.2 基於張量分解的地理傳感數據預測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 基於LDA-DeepHawi<國模型的信息級聯預測 233
5.3.1 Hawkes 過程.234
5.3.2 DeepHawl<回模型235
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基於CNN 和RNN 的蛋白質二級結構預測.254
5.4.1 蛋白質二級結構254
5.4.2 蛋白質二級結構預測框架.255
5.4.3 結合CNN 與BLSTM 的預測模型 256
5.4.4 結合CNN 與BGRU 的預測模型257
5.4.5 結合非對稱CNN 與BLSTM 的預測模型258
5.4.6 實驗與分析 259
5.5 CNN 的跨領域情感分析263
5.5.1 共享詞的選擇 264
5.5.2 模型設計265
5.5.3 實驗與分析 266
5.6 基於雙向LSTM 神經網絡模型的中文分詞270
5.6.1 基於改進的雙向LSTM 的中文分詞模型271
5.6.2 實驗與分析 274
5.7 本章小結277
參考文獻注釋277
參考文獻279

網友評論我們期待著您對此商品發表評論

相關商品

在線留言 商品價格為新臺幣

關於我們送貨時間安全付款會員登入加入會員我的帳戶網站聯盟

返回頂部

商品搜索

商品分类

【醫學】

【各大出版社】