元分析：数据分析的共识方法与系统模式

图书标准信息

• 作者 [美]史蒂文·西姆斯克（Steven Simske） 著；倪泳鑫 潘微科 明仲 译
• 出版社 机械工业出版社
• 出版时间 2021-07
• 版次 1
• ISBN 9787111683933
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 248页

【内容简介】

本书为数据科学领域的技术人员提供了一套详尽的模式，可用于任何基于机器学习的数据分析任务。通过学习这些方法，你至少能找到一种更为有效的模式，并且获得优于传统分析方法的整体系统行为。“元”分析可谓关于“分析”的“分析”，为了理解这种混合方法或元方法，书中必不可少地详述了常规分析方法的技术细节，在此基础上帮助读者理解并应用元分析模式。本书适合从事数据分析、预测和挖掘的技术人员阅读，涵盖机器翻译、机器人技术、生物和社会科学、医疗卫生信息学、经济学、商业和金融、警务以及体育赛事分析等领域。

【目录】

译者序 

致谢 

第1章 概述和应用1 

11 引言1 

12 本书为什么重要2 

13 本书的组织结构3 

14 信息学3 

15 分析统计学4 

151 值和方差4 

152 样本和总体检验5 

153 回归和估计7 

16 分析算法12 

161 k均值和k近邻聚类12 

162 反聚类14 

163 马尔可夫模型14 

17 机器学习16 

171 熵16 

172 支持向量机和核函数18 

173 概率18 

174 降维和信息增益20 

175 优化和搜索21 

176 数据挖掘和知识发现22 

177 识别23 

178 集成学习24 

18 人工智能25 

181 遗传算法26 

182 神经网络30 

183 免疫算法35 

19 一个从头开始构建分类器的平台（二分类）37 

110 一个从头开始构建分类器的平台（一般情况）43 

1101 训练和验证43 

1102 测试和部署49 

1103 比较训练和测试数据集上的结果62 

111 本章小结63 

参考文献64 

扩展阅读64 

第2章 获取真值65 

21 引言65 

22 预验证66 

23 根据训练数据优化设置72 

24 学习如何学习76 

25 从深度学习到深度反学习82 

26 本章小结82 

参考文献83 

第3章 实验设计85 

31 引言85 

32 数据归一化86 

321 简单的归一化86 

322 偏差归一化87 

323 归一化和实验设计表90 

33 剪枝老化数据的设计91 

34 系统之系统93 

341 系统93 

342 混合系统94 

343 动态更新的系统95 

344 接口95 

345 增益95 

346 领域归一化97 

347 灵敏度分析98 

35 本章小结99 

参考文献99 

第4章 元分析设计模式100 

41 引言100 

42 累积响应模式101 

421 识别感兴趣的区域102 

422 面向序列相关的预测性选择的感兴趣的区域104 

423 传统的累积增益曲线105 

43 分析的优化111 

431 决策树111 

432 假定身份触发模式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 混合回归117 

442 建模和模型拟合117 

45 共现和相似性模式118 

46 灵敏度分析模式119 

47 混淆矩阵模式120 

48 熵模式121 

49 独立模式124 

410 功能式NLP模式（宏观反馈）127 

411 本章小结127 

参考文献129 

第5章 灵敏度分析和大型系统工程130 

51 引言130 

52 数据集本身的灵敏度分析132 

53 解决方案模型的灵敏度分析135 

54 单个算法的灵敏度分析136 

55 混合算法的灵敏度分析137 

56 到当前状态的路径的灵敏度分析138 

57 本章小结140 

参考文献141 

第6章 多面预测性选择142 

61 引言142 

62 预测性选择142 

63 预测方法143 

64 选择方法144 

65 多路径方法149 

66 应用151 

67 灵敏度分析151 

68 本章小结151 

参考文献152 

第7章 建模和模型拟合153 

71 引言153 

72 用于分析的化学类比154 

73 用于分析的有机化学类比156 

74 用于分析的免疫学和生物学类比157 

75 用于模型设计和拟合的匿名化类比159 

76 最小平方误差、误差方差和熵：拟合优度159 

77 创建属于自己的多个模型160 

78 本章小结161 

参考文献161 

第8章 同义词-反义词模式和强化-无效化模式162 

81 引言162 

82 同义词-反义词模式163 

83 强化-无效化模式164 

84 各种模式的广泛适用性167 

85 本章小结167 

参考文献168 

扩展阅读168 

第9章 关于分析的分析169 

91 引言169 

92 关于分析的分析170 

921 熵与出现向量170 

922 功能指标173 

923 期望最大化方法174 

924 系统设计的注意事项175 

93 根据训练数据优化设置175 

94 混合方法176 

95 关于分析的其他探索领域177 

96 本章小结178 

参考文献178 

扩展阅读179 

第10章 系统设计优化180 

101 引言180 

1011 系统考量―重新审视系统增益181 

1012 系统增益―重新审视和扩大系统偏差182 

1013 投资与回报185 

102 模块优化185 

103 聚类与正则化186 

1031 平方和正则化189 

1032 方差正则化189 

1033 簇大小正则化190 

1034 小型簇正则化191 

1035 簇数量正则化191 

1036 对正则化方法的讨论192 

104 分析系统的优化192 

105 本章小结193 

参考文献193 

第11章 射幸技术和专家系统技术194 

111 引言194 

112 两种射幸模式回顾195 

1121 特征射幸模式的依次移除195 

1122 特征输出射幸模式的时序变化198 

113 为测试添加随机元素199 

114 高光谱射幸方法201 

115 机器学习和统计学习中的其他射幸应用202 

116 专家系统技术202 

117 本章小