数据分析——基础、模型及应用

本书以基础、模型及应用为主线，介绍数据分析的基础知识、经典模型以及相关应用。内容包括非负矩阵分解、张量分解、深度学习、宽度学习的经典模型与学习方法，以及作者对相关模型的扩展及其在多视角聚类、地理传感数据预测、信息级联预测及蛋白质二级结构预测中的应用研究。本书内容全面，深入浅出，既详细介绍了基本概念、思想和算法，也提供了大量示例、图表和对比分析。本书可作为高等院校计算机及相关专业的本科生、研究生学习人工智能的参考，对从事知识发现、智能信息处理、人工智能、机器学习等领域的科研与工程技术人员也有较大的参考价值。

前言
第1章 非负矩阵分解
1.1 矩阵分解基础
1.1.1 矩阵的二次型
1.1.2 矩阵的行列式
1.1.3 矩阵的特征值
1.1.4 矩阵的迹
1.1.5 矩阵的秩
1.1.6 逆矩阵
1.1.7 矩阵的向量化和向量的矩阵化
1.1.8 矩阵微分
1.1.9 范数
1.1.10 KKT条件
1.1.11 拉普拉斯矩阵
1.2 标准非负矩阵分解
1.3 单视图的NMF
1.3.1 考虑稀疏、平滑控制的NMF
1.3.2 考虑数据儿何结构信息的NMF
1.3.3 考虑噪声的NMF
1.3.4 考虑流形的NMF
1.3.5 放松非负约束的NMF
1.3.6 考虑效率的NMF
1.4 多视图的非负矩阵分解
1.4.1 基于共识矩阵的多视图NMF
1.4.2 联合非负矩阵分解
1.4.3 多流形正则化非负矩阵分解
1.4.4 图正则的多视图半非负矩阵分解
1.5 本章小结
参考文献注释
参考文献
第2章 张量分解
2.1 张量分解基础
2.1.1 矩阵的Hadamard积、Kronecker积和Khatri-Rao积
2.1.2 矩阵函数微分
2.2 张量概念及基本运算
2.2.1 张量概念
2.2.2 张量矩阵化
2.2.3 张量的内积、范数与外积
2.2.4 张量乘
2.3 张量的CP分解
2.3.1 CP分解形式
2.3.2 CP分解的求解
2.4 张量的Thcker分解
2.4.1 Thcker分解形式
2.4.2 Thcker分解的求解
2.5 CP分解与Thcker分解的比较
2.6 非负张量分解
2.6.1 非负CP分解
2.6.2 非负Thcker分解
2.7 本章小结
参考文献注释
参考文献
第3章 深度学习
3.1 深度学习基础
3.1.1 矩阵、向量求导
3.1.2 激活函数
3.1.3 按元素乘o
3.1.4 卷积与反卷积
3.2 深度学习模型
3.2.1 感知器
3.2.2 全连接神经网络
3.2.3 玻尔兹曼机
3.2.4 自编码器
3.2.5 卷积神经网络
3.2.6 循环神经网络
3.2.7 长短期记忆
3.2.8 门控循环单元
3.2.9 递归神经网络
3.2.10 深度卷积生成对抗网络
3.2.11 深度残差网络
3.2.12 注意力模型
3.2.14 Skip-gram模型
3.2.15 学会学习算法
3.3 本章小结
参考文献注释
参考文献
第4章 宽度学习
4.1 随机向量函数连接网络
4.1.1 RVFLNN的结构
4.1.2 即FLNN的动态逐步更新算法
4.2 宽度学习系统
4.2.1 宽度学习系统的结构
4.2.2 BLS的增量学习
4.3 BLS的变体
4.3.1 特征映射节点的级联
4.3.2 最后一组特征映射节点级联连接到增强节点
4.3.3 增强节点的级联
4.3.4 特征映射节点和增强节点的级联
4.3.5 卷积特征制才节点的级联
4.3.6 模糊宽度学习系统
4.4 本章小结
参考文献注释
参考文献
第5章 模型的扩展及应用研究
5.1 基于矩阵分解的多变量时间序列聚类
5.1.1 转换多变量时间序列为多关系网络
5.1.2 多关系网络的多非负矩阵分解
5.1.3 动态多关系网络的多非负矩阵分解
5.1.4 实验与分析
5.2 基于张量分解的地理传感数据预测
5.2.1 模型框架
5.2.2 预测方法.
5.2.3 实验与分析
5.3 基于LDA-DeepHawkes国模型的信息级联预测
5.3.1 Hawkes过程
5.3.2 DeepHawkes回模型
5.3.3 LDA-DeepHawkes田模型
5.3.4 LDA-DeepHawkes国算法描述
5.3.5 实验与分析
5.4 基于CNN和RNN的蛋白质二级结构预测
5.4.1 蛋白质二级结构
5.4.2 蛋白质二级结构预测框架
5.4.3 结合CNN与BLSTM的预测模型
5.4.4 结合CNN与BGRU的预测模型
5.4.5 结合非对称CNN与BLSTM的预测模型
5.4.6 实验与分析
5.5 CNN的跨领域情感分析
5.5.1 共享词的选择
5.5.2 模型设计
5.5.3 实验与分析
5.6 基于双向LSTM神经网络模型的中文分词
5.6.1 基于改进的双向LSTM的中文分词模型
5.6.2 实验与分析
5.7 本章小结
参考文献注释
参考文献