健康医疗大数据建模方法与应用

本书针对健康医疗领域大数据，从实际应用角度出发，深入浅出地介绍多种大数据建模方法，和基于R语言、Python语言等软件实现，共14章：绪论、大数据的存储与管理技术、医学图像大数据的结构化处理方法、医学文本与语音大数据的处理方法、健康医疗高维大数据的常用降维方法、互联网健康医疗大数据的获取、健康医疗大数据的关联分析、分类诊断常用的数据挖掘方法、回归预测常用的数据挖掘方法、健康医疗大数据深度学习方法、健康医疗时间序列大数据的建模方法、健康医疗大数据的时空建模方法、健康医疗大数据背景下的因果推断、生物信息大数据建模方法与应用。此外，附录部分增加了大数据分析软件简介等内容，书中例题的数据库、练习题答案等内容，以二维码形式展示。

第一章 绪论
第一节 健康医疗大数据的概念与属性
第二节 健康医疗大数据的分类与应用
第三节 健康医疗大数据的现状与挑战
第四节 健康医疗大数据建模方法与应用概述
第二章 大数据存储与管理技术
第一节 概述
第二节 Hadoop 生态系统
第三节 大数据预处理技术
第四节 大数据的安全与隐私保护技术
第三章 医学图像大数据的结构化处理方法
第一节 医学图像概述
第二节 医学图像感兴趣区域的分割
第三节 医学图像特征指标
第四节 医学图像纹理特征的提取方法
第四章 医学文本与语音大数据的处理方法
第一节 医学文本数据及文本挖掘概述
第二节 医学文本挖掘技术
第三节 医学语音数据概述
第四节 医学语音处理技术
第五章 健康医疗高维大数据常用降维方法
第一节 LASSO
第二节 随机森林
第三节 弹性网
第六章 互联网健康医疗大数据的获取
第一节 互联网健康医疗大数据应用
第二节 互联网健康医疗大数据爬取
第三节 健康医疗知识图谱
第七章 健康医疗大数据的关联分析
第一节 关联规则
第二节 推荐系统
第三节 复杂网络
第八章 分类诊断常用的数据挖掘方法
第一节 支持向量机
第二节 决策树
第三节 随机森林
第四节 高斯过程
第九章 回归预测常用的数据挖掘方法
第一节 广义线性回归
第二节 支持向量回归
第三节 高斯过程回归
第四节 人工神经网络回归
第十章 健康医疗大数据深度学习方法
第一节 健康医疗中的深度学习概述
第二节 卷积神经网络
第三节 自编码器
第四节 深度生成模型
第十一章 健康医疗时间序列大数据的建模方法
第一节 健康医疗大数据时间序列的分析方法概述
第二节 病例交叉设计和广义可加模型
第三节 支持向量机
第四节 深度循环网络模型
第十二章 健康医疗大数据的时空建模方法
第一节 时空建模方法概述
第二节 时空相关分析
第三节 时空热点分析
第四节 时空扫描分析
第五节 时空回归分析
第六节 时空网络分析
第十三章 健康医疗大数据背景下的因果推断
第一节 健康医疗大数据因果推断概述
第二节 控制混杂偏倚的因果推断方法
第三节 控制选择性偏倚的因果推断方法
第四节 因果通路识别和因果网络构建
第十四章 生物信息大数据建模方法与应用
第一节 生物信息大数据概述
第二节 生物信息大数据建模
第三节 Hub 基因挖掘方法与应用
附录
附录一 练习题答案
附录二 R软件和Python 软件简介
附录三 中英文名词对照表
主要参考文献