大数据分析--预测建模与评价机制/大数据与人工智能技术丛书

本书将基础理论和算法 实现相结合，介绍了关于大 数据分析中的相关知识，全 面、系统地介绍有关算法的 实现过程，并对算法在相关 实例上的应用结果进行分析 。全书共8章，内容包括差 异化空间插值模型的理论原 理、利用空间信息的大数据 分析预测过程、协作复合神 经网络模型的基础架构、利 用相关特征的大数据分析预 测过程、并行支持向量机的 基本原理、并行支持向量机 下的风险分类评价研究、集 成学习与贝叶斯优化的相关 理论和结合贝叶斯优化与集 成学习的大数据评价研究等 知识。书中每种算法都以伪 代码的形式进行描述并附有 相应的实例。 本书主要面向广大从事 大数据分析、机器学习、数 据挖掘或深度学习的专业人 员，从事高等教育的专任教 师，高等院校的在读学生及 相关领域的广大科研人员。

第1章 差异化空间插值模型的理论原理 1.1 自适应深度强化学习算法 1.1.1 概述 1.1.2 竞争深度强化学习算法原理 1.1.3 状态值重利用 1.1.4 动态模糊隶属度因子 1.1.5 自适应深度Q网络 1.1.6 对比实验 1.2 自调整反距离加权插值模型 1.2.1 概述 1.2.2 反距离加权法 1.2.3 变异函数 1.2.4 克里金法 1.2.5 自调整反距离加权插值模型介绍 1.3 几种常用强化学习算法 1.3.1 蒙特卡洛方法 1.3.2 时间差分算法 1.3.3 Q学习算法 1.3.4 深度Q网络 1.3.5 双深度Q网络 1.3.6 优先经验回放 1.4 本章小结 第2章 利用空间信息的大数据分析预测过程 2.1 大数据时代的空间信息挖掘与分析 2.1.1 大数据与空间大数据 2.1.2 空间大数据挖掘 2.1.3 空间大数据分析 2.2 空间信息数据的预测 2.2.1 数据预处理 2.2.2 预测模型的构建 2.2.3 预测结果的对比分析 2.3 本章小结 第3章 协作复合神经网络模型的基础架构 3.1 协作复合神经网络模型概述 3.2 自适应动态灰狼优化算法 3.2.1 灰狼优化算法原理 3.2.2 非线性余弦收敛因子 3.2.3 加权位置更新 3.2.4 中心扰动准则 3.2.5 自适应动态灰狼优化算法运行机制 3.2.6 对比实验 3.3 小波神经网络模型 3.3.1 前向传播过程 3.3.2 损失函数 3.3.3 RMSProp 3.3.4 Nesterov动量 3.4 协作复合神经网络模型的构建 3.5 知识扩展 3.5.1 遗传算法 3.5.2 粒子群优化算法