超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

不再提示
关闭
欢迎光临中图网 请 | 注册
> >
统计计算与智能分析理论及其Python实践

统计计算与智能分析理论及其Python实践

作者:燕雪峰
出版社:电子工业出版社出版时间:2022-02-01
开本: 其他 页数: 408
中 图 价:¥111.3(7.0折) 定价  ¥159.0 登录后可看到会员价
加入购物车 收藏
运费6元,满39元免运费
?新疆、西藏除外
本类五星书更多>

统计计算与智能分析理论及其Python实践 版权信息

  • ISBN:9787121426087
  • 条形码:9787121426087 ; 978-7-121-42608-7
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

统计计算与智能分析理论及其Python实践 内容简介

本书介绍统计计算与智能分析基础理论以及基于Python的模型算法实现。全书由13章组成,主要内容有:随机数生成技术;数据探索性分析;特征提取与选择方法;优选期望算法;Markov链蒙特卡罗方法;重采样技术;重要采样技术;序贯重要性采样;非参数概率密度估计;非参数回归分析;树模型理论;概率图模型;模型性能评价技术。

统计计算与智能分析理论及其Python实践 目录

第 1章 随机数生成技术..............................................................1

1.1标准分布的随机数生成 ....................................................... 1

1.1.1连续型随机变量仿真生成 ...................................................2

1.1.2离散型随机变量仿真生成 ..................................................10

1.2非标准分布的随机数生成 ................................................... 14

1.2.1逆变换法 ............................................................... 14

1.2.2接受-拒绝法与自适应拒绝法 ............................................... 16

1.2.3组合法 ................................................................. 22

1.3随机过程的随机数生成 ......................................................26

1.3.1马尔可夫过程仿真生成....................................................27

1.3.2泊松过程仿真生成 ....................................................... 31

1.3.3维纳过程仿真生成 ....................................................... 35

1.4基于变分自编码器模型的数据生成 .......................................... 36

1.4.1 VAE模型基本思想.......................................................37

1.4.2变分自编码器模型 ....................................................... 37

1.5基于生成式对抗网络的数据生成 .............................................46

1.5.1 GANs的基本原理 ....................................................... 46

1.5.2 GANs理论推导 ......................................................... 48

1.5.3 GANs算法的近优算法 ................................................... 53

1.6习题 ........................................................................ 57
第 2章 探索性数据分析 ............................................................ 61

2.1一维探索性数据分析 ........................................................ 61

2.1.1汇总统计量 ............................................................. 62

2.1.2直方图 ................................................................. 65

2.1.3茎叶图 ................................................................. 66

2.1.4箱线图 ................................................................. 68

2.1.5正态概率图 ............................................................. 70

2.1.6 Q-Q图 .................................................................72

2.2多维探索性数据分析 ........................................................ 75

2.2.1多属性统计量 ........................................................... 75

2.2.2散点图 ................................................................. 77

2.2.3边缘直方图 ............................................................. 83

2.2.4边缘箱形图 ............................................................. 84

2.2.5成对图 ................................................................. 86

2.2.6 Box-Cox线性变换图 ..................................................... 87

2.2.7自相关图和偏自相关图....................................................90

2.2.8交叉相关图 .............................................................94

2.2.9滞后图 ................................................................. 95

2.3习题 ........................................................................ 97
第 3章 特征提取与选择方法 .......................................................100

3.1特征提取方法 ..............................................................100

3.1.1主成分分析 ............................................................ 100

3.1.2因子分析 .............................................................. 109

3.1.3独立分量分析 .......................................................... 115

3.1.4线性判别分析 .......................................................... 125

3.2时间序列的特征提取方法 .................................................. 130

3.2.1 STL分解算法 ..........................................................130

3.2.2经验模态分解 .......................................................... 132

3.2.3奇异谱分析方法 ........................................................ 139

3.2.4小波变换 .............................................................. 143

3.3特征选择方法 ..............................................................160

3.3.1过滤特征选择 .......................................................... 161

3.3.2 Wrapper法 ............................................................163

3.3.3 Embedded法 .......................................................... 166

3.3.4贝叶斯统计和正则化 .................................................... 168

3.4习题 .......................................................................173
第 4章 *大期望算法..............................................................176

4.1从极大似然估计到 EM算法 ............................................... 176

4.2 EM算法原理与实现 ....................................................... 178

4.2.1 EM算法原理 .......................................................... 178

4.2.2 EM算法 .............................................................. 180

4.3 EM算法应用 .............................................................. 184

4.3.1 K-Means聚类算法 ......................................................184

4.3.2高斯混合模型聚类算法 .................................................. 187

4.3.3 K-Means和 GMM的关系 ............................................... 195

4.4习题 .......................................................................195
第 5章 马尔可夫链蒙特卡罗方法 .................................................. 197

5.1蒙特卡罗方法引入 ......................................................... 197

5.2马尔可夫链蒙特卡罗方法 .................................................. 198

5.3 Metropolis-Hastings采样 .................................................. 200

5.3.1 Metropolis采样算法 .................................................... 200

5.3.2 Metropolis-Hastings采样算法 ............................................ 204

5.3.3多维 Metropolis-Hastings采样算法 ....................................... 207

5.4 Gibbs采样 ................................................................ 209

5.5马尔可夫链蒙特卡罗方法应用 ..............................................213

5.5.1基于 MCMC的贝叶斯统计推断...........................................213

5.5.2可逆跳转 MCMC方法 .................................................. 215

5.6习题 .......................................................................220
第 6章 重采样技术 ................................................................222

6.1刀切法.....................................................................222

6.1.1刀切法基本原理 ........................................................ 222

6.1.2刀切法算法与实现 ...................................................... 225

6.2自助法.....................................................................225

6.2.1自助法基本原理 ........................................................ 225

6.2.2 Rn的统计特性 ......................................................... 229

6.3重采样技术的应用 ......................................................... 230

6.3.1 Bagging算法 .......................................................... 230

6.3.2 Boosting算法 ..........................................................237

6.3.3总结 .................................................................. 244

6.4习题 .......................................................................244
第 7章 重要抽样技术..............................................................247

7.1重要抽样基本原理 ......................................................... 247

7.2分层重要抽样方法 ......................................................... 253

7.3重要抽样在深度学习中的应用 ..............................................257

7.4习题 .......................................................................260
第 8章 序贯重要抽样..............................................................263

8.1贝叶斯重要抽样方法 ....................................................... 264

8.2序贯重要抽样算法 ......................................................... 265

8.3重要函数的选择 ........................................................... 267

8.4重采样方法 ................................................................ 270

8.5习题 .......................................................................274
第 9章 非参数概率密度估计 .......................................................276

9.1直方图法 .................................................................. 276

9.2 Parzen窗估计法 ...........................................................279

9.3 K.近邻法 .................................................................281

9.4核密度估计法 ..............................................................283

9.5 B样条密度估计 ........................................................... 291

9.6习题 .......................................................................296

第 10章 非参数回归分析 .......................................................... 298

10.1非参数回归概念 .......................................................... 298

10.2权函数方法 ...............................................................299

10.2.1核权函数法 ........................................................... 299

10.2.2局部多项式回归 ....................................................... 302

10.2.3局部多项式加权散点图平滑估计 ..........................................304

10.3*近邻函数法.............................................................306

10.4习题 ......................................................................309
第 11章 树模型理论...............................................................311

11.1决策树模型 ...............................................................311

11.1.1决策树分类算法 ....................................................... 311

11.1.2特征选择 ............................................................. 313

11.1.3决策树的生成 ......................................................... 318

11.1.4剪枝过程 ............................................................. 319

11.2分类回归树模型 .......................................................... 321

11.3提升树模型 ...............................................................328

11.3.1 GBDT模型 .......................................................... 328

11.3.2 XGBoost模型 ........................................................ 340

11.3.3 LightGBM模型 ....................................................... 344

11.4习题 ......................................................................350
第 12章 概率图模型...............................................................353

12.1贝叶斯网络 ...............................................................353

12.1.1贝叶斯方法与贝叶斯定理 ............................................... 353

12.1.2贝叶斯网络 ........................................................... 357

12.1.3贝叶斯网络结构学习算法 ............................................... 364

12.1.4贝叶斯网络推理 ....................................................... 366

12.1.5动态贝叶斯网络 ....................................................... 368

12.2马尔可夫网络.............................................................369

12.2.1马尔可夫网络定义 ..................................................... 370

12.2.2条件独立性质 ......................................................... 371

12.2.3马尔可夫网络分解 ..................................................... 373

12.3因子图 ................................................................... 375

12.3.1因子图定义与描述 ..................................................... 375

12.3.2因子图的提取――和积算法 ............................................. 377

12.4习题 ......................................................................381
第 13章 模型性能评价技术 ........................................................382

13.1模型评价方法.............................................................382

13.1.1交叉验证过程 ......................................................... 383

13.1.2简单交叉验证 ......................................................... 384

13.1.3 k-折交叉验证 ......................................................... 384

13.1.4留一交叉验证 ......................................................... 385

13.1.5 Bootstrap交叉验证 ....................................................385

13.2模型性能评价指标 ........................................................ 386

13.2.1分类模型评价指标 ..................................................... 386

13.2.2回归模型评价指标 ..................................................... 393

13.3习题 ......................................................................395
参考文献 ............................................................................ 396
展开全部

统计计算与智能分析理论及其Python实践 作者简介

燕雪峰,男,1974年4月出生,江苏泰兴人。2005年3月于北京理工大学获计算机应用技术专业工学博士。南京航空航天大学计算机科学与技术学院教授,博士生导师,副院长,江苏省六大人才高峰。长期从事面向领域的复杂装备系统工程方法论研究及应用、复杂体系建模与评估工作。承担与本书相关的国家重点研发计划课题、国防基础科研重点项目、装发重点项目和一般项目8项。相关研究发行英文专著一部,近5来在国内外期刊、会议上发表论文30余篇,其中SCI 5篇,CCF会议论文和EI期刊论文10余篇,重要核心论文5篇。先后获国防科工局科技进步奖二等奖、江苏省级教改一等奖。

商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服