需要進行分析且在某些情況下需要實時處理的數據大量出現，例如醫學應用中的X射線圖像、網絡安全數據、犯罪數據、電信和股票市場數據、健康記錄、商業分析數據等，這迫使人們探索處理超大量數據的快速算法。包括R、RapidMiner和Weka在內的應用程序和平臺為分析提供了基礎，但這些平臺的使用者往往很少關注或根本不關注對數據結果有很大影響的底層數學和處理過程，導致無法解釋結果或糾正錯誤，甚至無法發現錯誤。本書試圖通過提供一些大數據分析中較受歡迎的技術來彌補這一差距。當使用廣泛可用的開源和商業化計算平臺、語等

●譯者序
前言
致謝
關於作者
貢獻者名單
縮略語
第1章 馬爾可夫鏈及其應用1
1.1簡介1
1.2定義1
1.2.1狀態空間2
1.2.2軌跡2
1.3使用馬爾可夫鏈的預測5
1.3.1初始狀態5
1.3.2長期概率6
1.4馬爾可夫鏈的應用8
第2章隱馬爾可夫建模10
2.1隱馬爾可夫建模表示法10
2.2釋放概率11
2.3隱馬爾可夫模型12
2.3.1建立HMM12
2.3.2圖形形式的HMM13
2.4HMM中的三大問題16
2.4.1表示法16
2.4.2問題1的解決方案：似然估計16
2.5狀態轉移表19
2.5.1輸入符號表20
2.5.2輸出符號表20
2.6問題3的解決方案：找到很好HMM20
2.7練習21
第3章卡爾曼濾波器入門23
3.1簡介23
3.2標量形式23
3.3矩陣形式26
3.3.1狀態變量的模型27
3.3.2狀態的高斯表示29
3.4狀態矩陣32
3.4.1對像在單個方向上移動的
狀態矩陣32
3.4.2二維運動對像的狀態矩陣35
3.4.3在三維空間中移動的對像36
3.5帶有噪聲的卡爾曼濾波器模型38
參考文獻38
第4章卡爾曼濾波器II39
4.1簡介39
4.2卡爾曼濾波器中的處理步驟39
4.2.1協方差矩陣39
4.2.2協方差矩陣的計算方法41
4.2.3卡爾曼濾波器中的迭代45
第5章遺傳算法50
5.1簡介50
5.2遺傳算法的步驟50
5.3遺傳算法的相關術語51
5.4適應度函數52
5.5選擇54
5.5.1輪盤賭54
5.5.2交叉54
5.6優選化單個變量的函數56
5.7連續遺傳算法58
5.7.1地形圖的大力度優惠海撥58
5.7.2遺傳算法在傳感器溫度記錄中的應用60
參考文獻61
第6章計算圖的微積分62
6.1簡介62
6.2復合表達式63
6.3計算偏導數63
6.4積分計算66
6.4.1梯形法則66
6.4.2辛普森法則67
6.5多徑復合導數67
第7章支持向量機69
7.1簡介69
7.2支持向量機的數學基礎70
7.2.1超平面簡介70
7.2.2平行超平面71
7.2.3兩平行平面之間的距離72
7.3支持向量機問題73
7.3.1問題定義73
7.3.2線性可分情況73
7.4很好超平面的定位（素數問題）75
7.4.1確定邊界75
7.4.2點xi與分離超平面的距離76
7.4.3求解很好超平面問題77
7.5拉格朗日優化函數78
7.5.1單約束優化78
7.5.2多約束優化79
7.5.3Karush-Kuhn-Tucker條件81
7.6SVM優化問題81
7.6.1原始SVM優化問題81
7.6.2對偶優化問題82
7.7線性SVM數據84
7.7.1松弛變量85
7.7.2使用核的非線性數據分類86
參考文獻90
第8章人工神經網絡91
8.1簡介91
8.91
第9章神經網絡訓練101
9.1簡介101
9.2神經網絡架構101
9.3反向傳播模型101
9.4帶有計算圖的反向傳播示例104
9.5反向傳播104
9.6神經網絡實用訓練106
9.6.1前向傳播106
9.6.2反向傳播108
9.7權重方法的初始化111
9.7.1Xavier初始化111
9.7.2批處理標準化112
9.8結論112
參考文獻113
第10章循環神經網絡114
10.1簡介114
10.2實例114
10.3原理116
第11章卷積神經網絡124
11.1簡介124
11.2卷積矩陣124
11.3卷積核125
11.4卷積神經網絡術語129
11.4.1概念和超參數129
11.4.2CNN處理階段131
11.4.3池化層133
11.4.4全連接層134
11.5CNN設計原則134
11.6結論135
參考文獻135
第12章主成分分析136
12.1簡介136
12.2定義136
12.3主成分計算141
12.3.1使用向量投影的PCA141
12.3.2使用協方差矩陣進行PCA計算142
12.3.3使用奇異值分解的PCA144
12.3.4PCA的應用145
參考文獻146
第13章矩母函數147
13.1隨機變量的矩147
13.1.1隨機變量的中心矩147
13.1.2矩特性148
13矩母函數149
13.3矩母函數的級數表示150
13.3.1概率質量函數的性質151
13.3.2概率分布函數f（x）的性質151
13.4離散隨機變量的矩母函數151
13.4.1伯努利隨機變量151
13.4.2二項隨機變量152
13.4.3幾何隨機變量153
13.4.4泊松隨機變量153
13.5連續隨機變量的矩母函數154
13.5.1指數分布154
13.5.2正態分布154
13.5.3伽馬分布155
13.6矩母函數的性質156
13矩母函數156
13.8矩母函數的應用157
第14章特征函數158
14.1簡介158
14.2離散單隨機變量的特征函數159
14.2.1泊松隨機變量的特征函數159
14.2.2二項隨機變量的特征函數159
14.2.3連續隨機變量的特征函數159
第15章概率生成函數161
15.1簡介161
15.2離散概率生成函數161
15.2.1概率生成函數的性質162
15.2.2伯努利隨機變量的概率生成函數163
15.2.3二項隨機變量的概率生成函數163
15.2.4泊松隨機變量的概率生成函數163
15.2.5幾何隨機變量的概率生成函數164
15.2.6負二項隨機變量的概率生成函數165
15.3概率生成函數在數據分析中的應用167
15.3.1離散事件應用167
15.3.2傳染病建模168
參考文獻170
第16章基於人工神經網絡的數字身份管理繫統171
16.1簡介171
16.2數字身份度量171
16.3身份解析172
16.4生物識別繫統架構173
16.4.1指紋識別174
16.4.2人臉識別174
16.5信息融合175
16.6人工神經網絡176
16.7多模式數字身份管理繫統實現177
16.7.1終端、指紋掃描儀和攝像頭177
16.7.2指紋和人臉識別SDK178
16.7.3數據庫178
16.7.4驗證：連接到主機並選擇驗證178
16.8結論179
參考文獻179
第17章物聯網數據分類的概率神經網絡分類器182
17.1簡介182
17.2概率神經網絡182
17.3廣義回歸神經網絡184
17.4向量量化GRNN185
17.5試驗工作188
17.6結論與未來工作189
參考文獻189
第18章分層概率有限狀態機的MML學習與推斷191
18.1簡介191
18.2有限狀態機和PFSM192
18.2.1有限狀態機的數學定義192
18.2.2狀態圖中的FSM表示192
18.3PFSM的MML編碼和推斷195
18.3.1建模PFSM195
18.3.2使用MML推斷PFSM198
18.4分層概率有限狀態機203
18.4.1定義HPFSM204
18.4.2HPFSM假設H的MML斷言代碼205
18.4.3HPFSM轉移的編碼206
18.5試驗207
18.5.1人工數據集試驗207
18.5.2ADL數據集試驗211
18.6小結214
參考文獻215
練習解答217

本書結合開源和商業化計算平臺，從實用的角度全面繫統地闡述數據分析技術及其應用，內容涵蓋卡爾曼濾波器、馬爾可夫鏈、隱馬爾可夫模型（HMM）、神經網絡、循環神經網絡、卷積神經網絡、概率神經網絡、支持向量機、遺傳算法、有限狀態機和計算圖，並解釋了基本的數學概念。另外，在本科階段的統計學知識基礎上，對統計學中更難理解的概念進行了充分的解釋，其中包括主成分分析，以及使用概率生成函數、矩母函數、特征函數的統計分布。