大數據分析——預測建模與評價機制
張聰、曹文琪、張俊傑、喻子言
- 出版商: 清華大學
- 出版日期: 2023-01-01
- 定價: $539
- 售價: 8.5 折 $458
- 語言: 簡體中文
- ISBN: 7302610274
- ISBN-13: 9787302610274
-
相關分類:
大數據 Big-data、Data Science、Machine Learning
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
$356JavaScript 設計模式與開發實踐 -
$352敏捷項目管理(從入門到精通實戰指南) -
統計學習理論基礎$258$245 -
人工智能算法 捲1 基礎算法$354$336 -
特徵工程不再難：資料科學新手也能輕鬆搞定！ (Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems)$520$406 -
$505機器學習基礎 — 面向預測數據分析的算法、實用範例與案例研究 -
人工智能算法 捲2 受大自然啟發的算法$414$393 -
SaaS 商業實戰：好模式如何變成好生意$534$507 -
$305機器學習入門與實戰 — 基於 scikit-learn 和 Keras -
$403速通機器學習 -
$611金融中的機器學習 -
用 Python 編程和實踐！數學教科書$539$512 -
$653Vue.js 全家桶零基礎入門到進階項目實戰 -
$356集成學習入門與實戰：原理、算法與應用 -
$505自然語言處理的 Python 實踐 -
專業 SCRUM：敏捷要領與項目實踐$594$564 -
React 全棧式實戰開發入門 (微課視頻版)$479$455 -
$403Python數據結構與算法（視頻教學版） -
Next.js 實戰$594$564 -
$611Python 圖像處理經典實例 -
Serverless核心技術和大規模實踐$479$455 -
$607利用 Python 實現概率、統計及機器學習方法（原書第2版） -
$454預測性分析:基於數據科學的方法(原書第2版) -
精通機器學習算法$1,014$963 -
$356強化學習演算法入門
相關主題
商品描述
目錄大綱
目錄
第1章差異化空間插值模型的理論原理
1.1自適應深度強化學習算法
1.1.1概述
1.1.2競爭深度強化學習算法原理
1.1.3狀態值重利用
1.1.4動態模糊隸屬度因子
1.1.5自適應深度Q網絡
1.1.6對比實驗
1.2自調整反距離加權插值模型
1.2.1概述
1.2.2反距離加權法
1.2.3變異函數
1.2.4克裡金法
1.2.5自調整反距離加權插值模型介紹
1.3幾種常用強化學習算法
1.3.1蒙特卡洛方法
1.3.2時間差分算法
1.3.3Q學習算法
1.3.4深度Q網絡
1.3.5雙深度Q網絡
1.3.6優先經驗回放
1.4本章小結
第2章利用空間信息的大數據分析預測過程
2.1大數據時代的空間信息挖掘與分析
2.1.1大數據與空間大數據
2.1.2空間大數據挖掘
2.1.3空間大數據分析
2.2空間信息數據的預測
2.2.1數據預處理
2.2.2預測模型的構建
2.2.3預測結果的對比分析
2.3本章小結
第3章協作復合神經網絡模型的基礎架構
3.1協作復合神經網絡模型概述
3.2自適應動態灰狼優化算法
3.2.1灰狼優化算法原理
3.2.2非線性餘弦收斂因子
3.2.3加權位置更新
3.2.4中心擾動準則
3.2.5自適應動態灰狼優化算法運行機制
3.2.6對比實驗
3.3小波神經網絡模型
3.3.1前向傳播過程
3.3.2損失函數
3.3.3RMSProp
3.3.4Nesterov動量
3.4協作復合神經網絡模型的構建
3.5知識擴展
3.5.1遺傳算法
3.5.2粒子群優化算法
3.5.3模擬退火算法
3.5.4蟻群優化算法
3.5.5常見的反向傳播算法
3.6本章小結
第4章利用相關特徵的大數據分析預測過程
4.1大數據的分析機制
4.1.1相關性分析
4.1.2訓練集與測試集的選擇
4.1.3數據歸一化預處理
4.2可調整參數的設定機制
4.2.1隱含層節點數的確定
4.2.2學習率設置
4.2.3衰減系數設置
4.3預測模型的性能評價指標
4.3.1單個模型性能評價指標
4.3.2多模型性能對比評價方法
4.4預測性能評價結果及相關分析
4.4.1數據集1上的預測性能評價結果及相關分析
4.4.2數據集2上的預測性能評價結果及相關分析
4.5知識擴展
4.5.1徑向基神經網絡預測模型
4.5.2模糊神經網絡預測模型
4.6本章小結
第5章並行支持向量機的基本原理
5.1並行支持向量機概述
5.2協同鳥群算法
5.2.1鳥群算法原理
5.2.2抱團行為
5.2.3基於適應度差值比的位置更新方式
5.2.4接受準則
5.2.5協同鳥群算法運行機制
5.2.6對比實驗
5.3支持向量機分類模型
5.3.1概述
5.3.2統計學習原理
5.3.3核函數
5.3.4分類過程
5.4並行支持向量機模型的構建
5.5知識擴展
5.5.1螢火蟲算法
5.5.2磷蝦群算法
5.5.3算法特性對比分析
5.6本章小結
第6章並行支持向量機下的風險分類評價研究——以土壤重金屬數據為例
6.1土壤重金屬污染概述及風險評價研究現狀
6.2土壤污染評價方法
6.2.1土壤地球化學基準值與背景值
6.2.2國家規定的土壤污染風險管控標準
6.2.3土壤重金屬污染評價方法
6.3土壤重金屬數據的預處理
6.4大數據風險評價結果
6.4.1評價模型的參數設置
6.4.2污染風險分類評價結果
6.5評價模型的性能評價
6.6知識擴展
6.6.1決策樹算法
6.6.2K近鄰算法
6.7本章小結
第7章集成學習與貝葉斯優化的相關理論
7.1集成學習方法
7.1.1集成學習
7.1.2隨機森林原理
7.1.3個體學習器集成策略
7.1.4加權隨機森林算法運行機制
7.1.5對比實驗
7.2類別不平衡數據集的處理
7.2.1上採樣算法
7.2.2下採樣算法
7.2.3混合採樣算法
7.3貝葉斯優化
7.3.1貝葉斯優化調參原理
7.3.2概率代理模型
7.3.3採集函數
7.4知識擴展
7.4.1Stacking算法
7.4.2邏輯回歸分類
7.5本章小結
第8章結合貝葉斯優化與集成學習的大數據評價研究——以土壤重金屬
數據為例
8.1污染評價方法及目標值標記
8.2數據重採樣與預處理
8.2.1數據重採樣
8.2.2預處理
8.3集成學習下的土壤污染風險評價結果
8.3.1算法超參數設置
8.3.2蔡甸區風險評價實驗
8.3.3江夏區風險評價實驗
8.3.4武漢市整體風險評價實驗
8.3.5應用貝葉斯優化調參
8.4知識擴展
8.4.1貝葉斯分類算法
8.4.2梯度提升樹算法
8.5本章小結
參考文獻
