數據分析——基礎、模型及套用

《數據分析——基礎、模型及套用》是一本2021年出版的圖書，由科學出版社出版

基本介紹

• 中文名：數據分析——基礎、模型及套用
• 作者：周麗華 、李維華 
• 出版社：科學出版社
• ISBN：9787030680495

內容簡介

本書以基礎、模型及套用為主線, 介紹數據分析的基礎知識、經典模型以 及相關套用. 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、地理感測數 據預測、信息級聯預測及蛋白質二級結構預測中的套用研究. 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 矩陣的特徵值 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 放鬆非負約束的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 矩陣函式微分 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 激活函式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 全連線神經網路.121

3.2.3 玻爾茲曼機 126

3.2.4 自編碼器129

3.2.5 卷積神經網路 131

3.2.6 循環神經網路 142

3.2.7長短期記憶 150

3.2.8門控循環單元156

3.2.9遞歸神經網路 157

3.2.10深度卷積生成對抗網路 167

3.2.11深度殘差網路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 隨機向量函式連線網路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 寬度學習系統.188

4.2.1 寬度學習系統的結構188

4.2.2 BLS 的增量學習190

4.3 B囚的變體196

4.3.1 特徵映射節點的級聯196

4.3.2 最後一組特徵映射節點級聯連線到增強節點197

4.3.3 增強節點的級聯198

4.3.4特徵映射節點和增強節點的級聯200

4.3.5 卷積特徵制才節點的級聯.201

4.3.6 模糊寬度學習系統 201

4.4本章小結206

參考文獻注釋206

參考文獻206

第5 章模型的擴展及套用研究207

5.1 基於矩陣分解的多變數時間序列聚類.207

5.1.1 轉換多變數時間序列為多關係網路 208

51.2 多關係網路的多非負矩陣分解..209

51.3 動態多關係網路的多非負矩陣分解 212

51.4 實驗與分析 215

5.2 基於張量分解的地理感測數據預測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 神經網路模型的中文分詞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