统计计算与智能分析理论及其Python实践
全新正版 极速发货
￥ 95.43 6.0折 ￥ 159 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者燕雪峰,张德平 编
出版社电子工业出版社
ISBN9787121426087
出版时间2022-01
装帧平装
开本16开
定价159元
货号1202593446
上书时间2024-11-03
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
燕雪峰，男，1975年生，江苏泰兴人，南京航空航天大学计算机科学与技术学院/人工智能学院教授、博导、副院长，长期从事军事智能及复杂装备系统/体系分析、设计、研制、验证、试验等方面的教学、基础研究和型号研制工作。在人工智能、系统工程、软件工程、装备优化设计等的学科交叉方面有深入研究。任XX专家组成员，《数据采集与处理》编委，国际通信、存储安全会议SPACCS2020大会主席等。主持/参与国家自然科学基金民航联合基金重点项目、国家重大型号工程等相关纵向、横向项目60余项。出版专著/教材4部，发表论文60余篇，其中SCI/EI收录30余篇。获国家专利近20项。
目录
第1章 随机数生成技术
1.1 标准分布的随机数生成
1.1.1 连续型随机变量仿真生成
1.1.2 离散型随机变量仿真生成
1.2 非标准分布的随机数生成
1.2.1 逆变换法
1.2.2 接受-拒绝法与自适应拒绝法
1.2.3 组合法
1.3 随机过程的随机数生成
1.3.1 马尔可夫过程仿真生成
1.3.2 泊松过程仿真生成
1.3.3 维纳过程仿真生成
1.4 基于变分自编码器模型的数据生成
1.4.1 VAE模型基本思想
1.4.2 变分自编码器模型
1.5 基于生成式对抗网络的数据生成
1.5.1 GANs的基本原理
1.5.2 GANs理论推导
1.5.3 GANs算法的近优算法
1.6 习题
第2章 探索性数据分析
2.1 一维探索性数据分析
2.1.1 汇总统计量
2.1.2 直方图
2.1.3 茎叶图
2.1.4 箱线图
2.1.5 正态概率图
2.1.6 Q-Q图
2.2 多维探索性数据分析
2.2.1 多属性统计量
2.2.2 散点图
2.2.3 边缘直方图
2.2.4 边缘箱形图
2.2.5 成对图
2.2.6 Box-Cox线性变换图
2.2.7 自相关图和偏自相关图
2.2.8 交叉相关图
2.2.9 滞后图
2.3 习题
第3章 特征提取与选择方法
3.1 特征提取方法
3.1.1 主成分分析
3.1.2 因子分析
3.1.3 独立分量分析
3.1.4 线性判别分析
3.2 时间序列的特征提取方法
3.2.1 STL分解算法
3.2.2 经验模态分解
3.2.3 奇异谱分析方法
3.2.4 小波变换
3.3 特征选择方法
3.3.1 过滤特征选择
3.3.2 Wrapper法
3.3.3 Embedded法
3.3.4 贝叶斯统计和正则化
3.4 习题
第4章 最大期望算法
4.1 从极大似然估计到EM算法
4.2 EM算法原理与实现
4.2.1 EM算法原理
4.2.2 EM算法
4.3 EM算法应用
4.3.1 K-Means聚类算法
4.3.2 高斯混合模型聚类算法
4.3.3 K-Means和GMM的关系
4.4 习题
第5章 马尔可夫链蒙特卡罗方法
5.1 蒙特卡罗方法引入
5.2 马尔可夫链蒙特卡罗方法
5.3 Metropolis-Hastings采样
5.3.1 Metropolis采样算法
5.3.2 Metropolis-Hastings采样算法
5.3.3 多维Metropolis-Hastings采样算法
5.4 Gibbs采样
5.5 马尔可夫链蒙特卡罗方法应用
5.5.1 基于MCMC的贝叶斯统计推断
5.5.2 可逆跳转MCMC方法
5.6 习题
第6章 重采样技术
6.1 刀切法
6.1.1 刀切法基本原理
6.1.2 刀切法算法与实现
6.2 自助法
6.2.1 自助法基本原理
6.2.2 Rn的统计特性
6.3 重采样技术的应用
6.3.1 Bagging算法
6.3.2 Boosting算法
6.3.3 总结
6.4 习题
第7章 重要抽样技术
7.1 重要抽样基本原理
7.2 分层重要抽样方法
7.3 重要抽样在深度学习中的应用
7.4 习题
第8章 序贯重要抽样
8.1 贝叶斯重要抽样方法
8.2 序贯重要抽样算法
8.3 重要函数的选择
8.4 重采样方法
8.5 习题
第9章 非参数概率密度估计
9.1 直方图法
9.2 Parzen窗估计法
9.3 K-近邻法
9.4 核密度估计法
9.5 B样条密度估计
9.6 习题
第10章 非参数回归分析
10.1 非参数回归概念
10.2 权函数方法
10.2.1 核权函数法
10.2.2 局部多项式回归
10.2.3 局部多项式加权散点图平滑估计
10.3 最近邻函数法
10.4 习题
第11章 树模型理论
11.1 决策树模型
11.1.1 决策树分类算法
11.1.2 特征选择
11.1.3 决策树的生成
11.1.4 剪枝过程
11.2 分类回归树模型
11.3 提升树模型
11.3.1 GBDT模型
11.3.2 XGBoost模型
11.3.3 LightGBM模型
11.4 习题
第12章 概率图模型
12.1 贝叶斯网络
12.1.1 贝叶斯方法与贝叶斯定理
12.1.2 贝叶斯网络
12.1.3 贝叶斯网络结构学习算法
12.1.4 贝叶斯网络推理
12.1.5 动态贝叶斯网络
12.2 马尔可夫网络
12.2.1 马尔可夫网络定义
12.2.2 条件独立性质
12.2.3 马尔可夫网络分解
12.3 因子图
12.3.1 因子图定义与描述
12.3.2 因子图的提取——和积算法
12.4 习题
第13章 模型性能评价技术
13.1 模型评价方法
13.1.1 交叉验证过稗
13.1.2 简单交叉验证
13.1.3 k-折交叉验证
13.1.4 留一交叉验证
13.1.5 Bootstrap交叉验证
13.2 模型性能评价指标
13.2.1 分类模型评价指标
13.2.2 回归模型评价指标
13.3 习题
参考文献
内容摘要
本书基于理论与实践相结合的方法，针对智能分析过程中常用的统计计算方法理论与实践问题，以大数据分析过程中各个阶段的统计分析关键技术为主线，介绍了随机数生成技术、探索性数据分析、特征提取与选择方法、最大期望算法、马尔可夫链蒙特卡罗方法、重采样技术、非参数概率密度估计与回归分析，以及树模型理论与概率图模型等核心内容。
本书可作为理工科院校概率统计、数学应用数学、计算机科学等相关专业本科生的教材，也可作为教师、研究生及从事统计、信息处理领域工作的工程技术人员的参考书。
— 没有更多了 —
以下为对购买帮助不大的评价