大數據分析與演算法 | 被動收入的投資秘訣 - 2024年9月
![](https://www.books.com.tw/img/CN1/159/39/CN11593925.jpg)
大數據分析與演算法
本書詳細介紹了數據科學領域的相關智能技術,包括數據分析、基本學習演算法、模糊邏輯、人工神經網路、基因演算法和進化計算、使用R語言進行大數據分析等。本書可以作為高等院校電腦專業本科生和研究生,以及其他專業研究生的人工智慧課程的教材,也可以作為相關教師和數據分析技術人員的參考書。
譯者序
前言
第1章 緒論 1
1.1 引言 1
1.2 資料科學的歷史 2
1.3 現代商業中資料科學的重要性 3
1.4 資料科學家 5
1.5 三維資料科學活動 6
1.5.1 管理資料流程 7
1.5.2 處理資料管理 8
1.5.3 資料分析 11
1.6 資料科學與其他領域交叉 11
1.7 資料分析思維 13
1.8 應用領域 13
1.8.1 資源的可持續發展 13
1.8.2 利用社交平臺進行各種活動 14
1.8.3 智慧Web應用 14
1.8.4 Google自動統計員項目 15
1.9 應用計算智慧管理資料科學活動 15
1.10 商業中的資料科學場景 17
1.11 有助於資料科學的工具和技術 17
1.11.1 資料清洗工具 18
1.11.2 資料管理和建模工具 19
1.11.3 資料視覺化工具 20
1.12 練習 21
參考文獻 22
第2章 資料分析 23
2.1 引言 23
2.2 跨行業標準過程 24
2.3 資料分析生命週期 25
2.4 資料科學專案生命週期 27
2.5 資料分析的複雜性 28
2.6 從數據到洞察力 30
2.7 構建分析能力:銀行案例 31
2.8 資料品質 32
2.9 資料準備過程 33
2.10 溝通分析結果 34
2.10.1 溝通分析結果的策略 34
2.10.2 數據視覺化 35
2.10.3 視覺化技術 36
2.11 練習 37
參考文獻 37
第3章 基本學習演算法 38
3.1 從數據中學習 38
3.2 監督學習 40
3.2.1 線性回歸 40
3.2.2 決策樹 41
3.2.3 隨機森林 46
3.2.4 k-近鄰演算法 47
3.2.5 邏輯回歸 49
3.2.6 模型組合器 50
3.2.7 樸素貝葉斯 53
3.2.8 貝葉斯信念網路 54
3.2.9 支持向量機 56
3.3 無監督學習 57
3.3.1 Apriori 演算法 58
3.3.2 k-means演算法 60
3.3.3 用於資料壓縮的降維 62
3.4 強化學習 62
3.5 案例研究:使用機器學習進行市場行銷活動 65
3.6 練習 66
參考文獻 67
第4章 模糊邏輯 68
4.1 引言 68
4.2 模糊隸屬函數 70
4.2.1 三角形隸屬函數 71
4.2.2 梯形隸屬函數 71
4.2.3 高斯隸屬函數 71
4.2.4 sigmoid隸屬函數 72
4.3 隸屬值分配方法 72
4.4 模糊化與解模糊化方法 73
4.5 模糊集合操作 73
4.5.1 模糊集合的並集 74
4.5.2 模糊集合的交集 74
4.5.3 模糊集合的補集 74
4.6 模糊集合性質 76
4.7 模糊關係 76
4.8 模糊命題 79
4.8.1 模糊連接詞 79
4.8.2 析取 79
4.8.3 合取 80
4.8.4 否定 80
4.8.5 蘊含 80
4.9 模糊推理 80
4.10 基於模糊規則的系統 81
4.11 資料科學的模糊邏輯 82
4.11.1 應用1:Web內容挖掘 83
4.11.2 應用2:Web結構挖掘 84
4.11.3 應用3:Web使用挖掘 85
4.11.4 應用4:環境和社交資料處理 86
4.12 用模糊邏輯進行資料科學活動的工具和技術 87
4.13 練習 88
參考文獻 88
第5章 人工神經網路 89
5.1 引言 89
5.2 符號學習方法 90
5.3 人工神經網路及其特點 91
5.4 ANN模型 93
5.4.1 Hopfield模型 93
5.4.2 感知器模型 94
5.4.3 多層感知器 96
5.4.4 多層感知器的深度學習 98
5.4.5 其他ANN模型 100
5.4.6 線性回歸與神經網路 101
5.5 ANN工具和程式 102
5.6 社交網路平臺上的情感挖掘 103
5.6.1 情感挖掘相關工作 103
5.6.2 廣泛架構 104
5.6.3 神經網路設計 104
5.7 應用與挑戰 106
5.8 關注點 107
5.9 練習 108
參考文獻 109
第6章 遺傳演算法與進化計算 111
6.1 引言 111
6.2 遺傳演算法 112
6.3 遺傳演算法的基本原理 114
6.3.1 個體編碼 114
6.3.2 變異 114
6.3.3 交叉 115
6.3.4 適應度函數 116
6.3.5 選擇 116
6.3.6 其他編碼策略 117
6.4 利用遺傳演算法進行函數優化的實例 118
6.5 模式與模式定理 120
6.5.1 實例、定義位元和模式順序 120
6.5.2 模式的重要性 121
6.6 基於特殊應用的遺傳運算元 121
6.7 進化程式設計 123
6.8 遺傳演算法在醫療保健中的應用 124
6.8.1 醫療保健案例 124
6.8.2 基於遺傳演算法的病人調度系統 125
6.8.3 編碼候選者 127
6.8.4 種群上的操作 127
6.8.5 其他應用 128
6.9 練習 130
參考文獻 131
第7章 其他元啟發式和分類方法 132
7.1 引言 132
7.2 自我調整記憶過程 132
7.2.1 禁忌搜索 133
7.2.2 分散搜索 134
7.2.3 路徑重連 136
7.3 群體智慧 136
7.3.1 蟻群優化 137
7.3.2 人工蜂群演算法 138
7.3.3 河流形成動力學 139
7.3.4 粒子群優化 139
7.3.5 隨機擴散搜索 141
7.3.6 群體智慧與大資料 142
7.4 案例推理 142
7.4.1 案例推理中的學習 144
7.4.2 案例推理與資料科學 145
7.4.3 處理複雜的領域 146
7.5 粗糙集 146
7.6 練習 148
參考文獻 148
第8章 分析和大資料 149
8.1 引言 149
8.2 傳統分析與大資料分析 150
8.3 大規模並行處理 152
8.3.1 MapReduce 152
8.3.2 與RDBMS的比較 154
8.3.3 共用存儲的並行程式設計 155
8.3.4 Apache Hadoop 生態系統 155
8.3.5 Hadoop分散式檔案系統 157
8.4 NoSQL