滿額折
商品簡介
名人/編輯推薦
目次
相關商品
商品簡介
本書為數據科學領域的技術人員提供了一套詳盡的模式，可用於任何基於機器學習的數據分析任務。通過學習這些方法，你至少能找到一種更為有效的模式，並且獲得優於傳統分析方法的整體系統行為。“元”分析可謂關於“分析”的“分析”，為了理解這種混合方法或元方法，書中必不可少地詳述了常規分析方法的技術細節，在此基礎上幫助讀者理解並應用元分析模式。本書適合從事數據分析、預測和挖掘的技術人員閱讀，涵蓋機器翻譯、機器人技術、生物和社會科學、醫療衛生信息學、經濟學、商業和金融、警務以及體育賽事分析等領域。
名人/編輯推薦
HP Fellow撰寫，討論元分析方法與常規分析方法，提供一系列實用的數據分析模式，快速提高數據分析能力
目次
譯者序
致謝
第1章 概述和應用1
11 引言1
12 本書為什麼重要2
13 本書的組織結構3
14 信息學3
15 分析統計學4
151 值和方差4
152 樣本和總體檢驗5
153 回歸和估計7
16 分析算法12
161 k均值和k近鄰聚類12
162 反聚類14
163 馬爾可夫模型14
17 機器學習16
171 熵16
172 支持向量機和核函數18
173 概率18
174 降維和信息增益20
175 優化和搜索21
176 數據挖掘和知識發現22
177 識別23
178 集成學習24
18 人工智能25
181 遺傳算法26
182 神經網絡30
183 免疫算法35
19 一個從頭開始構建分類器的平臺（二分類）37
110 一個從頭開始構建分類器的平臺（一般情況）43
1101 訓練和驗證43
1102 測試和部署49
1103 比較訓練和測試數據集上的結果62
111 本章小結63
參考文獻64
擴展閱讀64
第2章 獲取真值65
21 引言65
22 預驗證66
23 根據訓練數據優化設置72
24 學習如何學習76
25 從深度學習到深度反學習82
26 本章小結82
參考文獻83
第3章 實驗設計85
31 引言85
32 數據歸一化86
321 簡單的歸一化86
322 偏差歸一化87
323 歸一化和實驗設計表90
33 剪枝老化數據的設計91
34 系統之系統93
341 系統93
342 混合系統94
343 動態更新的系統95
344 接口95
345 增益95
346 領域歸一化97
347 靈敏度分析98
35 本章小結99
參考文獻99
第4章 元分析設計模式100
41 引言100
42 累積響應模式101
421 識別感興趣的區域102
422 面向序列相關的預測性選擇的感興趣的區域104
423 傳統的累積增益曲線105
43 分析的優化111
431 決策樹111
432 假定身份觸發模式112
433 期望最大化和最大-最小模式113
44 模型一致性模式116
441 混合回歸117
442 建模和模型擬合117
45 共現和相似性模式118
46 靈敏度分析模式119
47 混淆矩陣模式120
48 熵模式121
49 獨立模式124
410 功能式NLP模式（宏觀反饋）127
411 本章小結127
參考文獻129
第5章 靈敏度分析和大型系統工程130
51 引言130
52 數據集本身的靈敏度分析132
53 解決方案模型的靈敏度分析135
54 單個算法的靈敏度分析136
55 混合算法的靈敏度分析137
56 到當前狀態的路徑的靈敏度分析138
57 本章小結140
參考文獻141
第6章 多面預測性選擇142
61 引言142
62 預測性選擇142
63 預測方法143
64 選擇方法144
65 多路徑方法149
66 應用151
67 靈敏度分析151
68 本章小結151
參考文獻152
第7章 建模和模型擬合153
71 引言153
72 用於分析的化學類比154
73 用於分析的有機化學類比156
74 用於分析的免疫學和生物學類比157
75 用於模型設計和擬合的匿名化類比159
76 最小平方誤差、誤差方差和熵：擬合優度159
77 創建屬於自己的多個模型160
78 本章小結161
參考文獻161
第8章 同義詞-反義詞模式和強化-無效化模式162
81 引言162
82 同義詞-反義詞模式163
83 強化-無效化模式164
84 各種模式的廣泛適用性167
85 本章小結167
參考文獻168
擴展閱讀168
第9章 關於分析的分析169
91 引言169
92 關於分析的分析170
921 熵與出現向量170
922 功能指標173
923 期望最大化方法174
924 系統設計的注意事項175
93 根據訓練數據優化設置175
94 混合方法176
95 關於分析的其他探索領域177
96 本章小結178
參考文獻178
擴展閱讀179
第10章 系統設計優化180
101 引言180
1011 系統考量—重新審視系統增益181
1012 系統增益—重新審視和擴大系統偏差182
1013 投資與回報185
102 模塊優化185
103 聚類與正則化186
1031 平方和正則化189
1032 方差正則化189
1033 簇大小正則化190
1034 小型簇正則化191
1035 簇數量正則化191
1036 對正則化方法的討論192
104 分析系統的優化192
105 本章小結193
參考文獻193
第11章 射幸技術和專家系統技術194
111 引言194
112 兩種射幸模式回顧195
1121 特征射幸模式的依次移除195
1122 特征輸出射幸模式的時序變化198
113 為測試添加隨機元素199
114 高光譜射幸方法201
115 機器學習和統計學習中的其他射幸應用202
116 專家系統技術202
117 本章小
致謝
第1章 概述和應用1
11 引言1
12 本書為什麼重要2
13 本書的組織結構3
14 信息學3
15 分析統計學4
151 值和方差4
152 樣本和總體檢驗5
153 回歸和估計7
16 分析算法12
161 k均值和k近鄰聚類12
162 反聚類14
163 馬爾可夫模型14
17 機器學習16
171 熵16
172 支持向量機和核函數18
173 概率18
174 降維和信息增益20
175 優化和搜索21
176 數據挖掘和知識發現22
177 識別23
178 集成學習24
18 人工智能25
181 遺傳算法26
182 神經網絡30
183 免疫算法35
19 一個從頭開始構建分類器的平臺（二分類）37
110 一個從頭開始構建分類器的平臺（一般情況）43
1101 訓練和驗證43
1102 測試和部署49
1103 比較訓練和測試數據集上的結果62
111 本章小結63
參考文獻64
擴展閱讀64
第2章 獲取真值65
21 引言65
22 預驗證66
23 根據訓練數據優化設置72
24 學習如何學習76
25 從深度學習到深度反學習82
26 本章小結82
參考文獻83
第3章 實驗設計85
31 引言85
32 數據歸一化86
321 簡單的歸一化86
322 偏差歸一化87
323 歸一化和實驗設計表90
33 剪枝老化數據的設計91
34 系統之系統93
341 系統93
342 混合系統94
343 動態更新的系統95
344 接口95
345 增益95
346 領域歸一化97
347 靈敏度分析98
35 本章小結99
參考文獻99
第4章 元分析設計模式100
41 引言100
42 累積響應模式101
421 識別感興趣的區域102
422 面向序列相關的預測性選擇的感興趣的區域104
423 傳統的累積增益曲線105
43 分析的優化111
431 決策樹111
432 假定身份觸發模式112
433 期望最大化和最大-最小模式113
44 模型一致性模式116
441 混合回歸117
442 建模和模型擬合117
45 共現和相似性模式118
46 靈敏度分析模式119
47 混淆矩陣模式120
48 熵模式121
49 獨立模式124
410 功能式NLP模式（宏觀反饋）127
411 本章小結127
參考文獻129
第5章 靈敏度分析和大型系統工程130
51 引言130
52 數據集本身的靈敏度分析132
53 解決方案模型的靈敏度分析135
54 單個算法的靈敏度分析136
55 混合算法的靈敏度分析137
56 到當前狀態的路徑的靈敏度分析138
57 本章小結140
參考文獻141
第6章 多面預測性選擇142
61 引言142
62 預測性選擇142
63 預測方法143
64 選擇方法144
65 多路徑方法149
66 應用151
67 靈敏度分析151
68 本章小結151
參考文獻152
第7章 建模和模型擬合153
71 引言153
72 用於分析的化學類比154
73 用於分析的有機化學類比156
74 用於分析的免疫學和生物學類比157
75 用於模型設計和擬合的匿名化類比159
76 最小平方誤差、誤差方差和熵：擬合優度159
77 創建屬於自己的多個模型160
78 本章小結161
參考文獻161
第8章 同義詞-反義詞模式和強化-無效化模式162
81 引言162
82 同義詞-反義詞模式163
83 強化-無效化模式164
84 各種模式的廣泛適用性167
85 本章小結167
參考文獻168
擴展閱讀168
第9章 關於分析的分析169
91 引言169
92 關於分析的分析170
921 熵與出現向量170
922 功能指標173
923 期望最大化方法174
924 系統設計的注意事項175
93 根據訓練數據優化設置175
94 混合方法176
95 關於分析的其他探索領域177
96 本章小結178
參考文獻178
擴展閱讀179
第10章 系統設計優化180
101 引言180
1011 系統考量—重新審視系統增益181
1012 系統增益—重新審視和擴大系統偏差182
1013 投資與回報185
102 模塊優化185
103 聚類與正則化186
1031 平方和正則化189
1032 方差正則化189
1033 簇大小正則化190
1034 小型簇正則化191
1035 簇數量正則化191
1036 對正則化方法的討論192
104 分析系統的優化192
105 本章小結193
參考文獻193
第11章 射幸技術和專家系統技術194
111 引言194
112 兩種射幸模式回顧195
1121 特征射幸模式的依次移除195
1122 特征輸出射幸模式的時序變化198
113 為測試添加隨機元素199
114 高光譜射幸方法201
115 機器學習和統計學習中的其他射幸應用202
116 專家系統技術202
117 本章小
今日66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。