機(jī)器學(xué)習(xí)技術(shù)與實(shí)戰(zhàn)：醫(yī)學(xué)大數(shù)據(jù)深度應(yīng)用

定　價(jià)：￥89.00

作　者：	（加）洪松林
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111595991	出版時(shí)間：	2018-05-01	包裝：
開本：	16開	頁數(shù)：	333	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書作者曾在北美多家智能專業(yè)公司任高級(jí)架構(gòu)師，有20年數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)方面的設(shè)計(jì)、開發(fā)、管理經(jīng)驗(yàn)。他結(jié)合自己多年的行業(yè)經(jīng)歷，總結(jié)了自己在機(jī)器學(xué)習(xí)方面的知識(shí)和實(shí)際工程中的經(jīng)驗(yàn)，提供了大量一線資料。本書不僅介紹了機(jī)器學(xué)習(xí)中的常用算法，而且給出了具體實(shí)施環(huán)境和經(jīng)驗(yàn)總結(jié)。重點(diǎn)介紹了相關(guān)算法，包括：相關(guān)因子算法、聚類算法、分類算法、回歸與測(cè)試算法等。不僅列舉了詳細(xì)示例，還介紹了算法在工程實(shí)踐中的具體應(yīng)用，特別是總結(jié)了自己獨(dú)特的一些算法，例如矢量相關(guān)的因子選擇算法、秩和相關(guān)因子選擇算法、密度分布聚類算法、概率特征模型算法等。重點(diǎn)剖析了醫(yī)藥學(xué)領(lǐng)域的應(yīng)用。

作者簡(jiǎn)介

　　洪松林（Hong Song Lin），加拿大籍，大數(shù)據(jù)深度分析技術(shù)專家，外國專家局引智技術(shù)專家，OCP國際（加拿大）認(rèn)證專家。有二十余年數(shù)據(jù)倉庫、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能等方面的研發(fā)和應(yīng)用經(jīng)驗(yàn)。福安易數(shù)據(jù)技術(shù)公司的創(chuàng)始人，帶領(lǐng)團(tuán)隊(duì)走在機(jī)器學(xué)習(xí)和大數(shù)據(jù)深度分析的技術(shù)前沿，在結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)挖掘、深度學(xué)習(xí)等領(lǐng)域，創(chuàng)新研發(fā)了眾多領(lǐng)先和有效的機(jī)器學(xué)習(xí)新技術(shù)、新算法。多次受邀為全國性IT專業(yè)大會(huì)做大數(shù)據(jù)深度分析主題演講，曾擔(dān)任全國軟件大會(huì)大數(shù)據(jù)論壇主持人。

圖書目錄

CONTENTS
目　　錄
前言
第1章　機(jī)器學(xué)習(xí)基礎(chǔ)1
　1.1　認(rèn)識(shí)機(jī)器學(xué)習(xí)1
1.1.1　機(jī)器學(xué)習(xí)概念1
1.1.2　機(jī)器學(xué)習(xí)與生活4
1.1.3　機(jī)器學(xué)習(xí)與知識(shí)6
　1.2　機(jī)器學(xué)習(xí)應(yīng)用基礎(chǔ)6
1.2.1　事物與維度7
1.2.2　分布與關(guān)系9
1.2.3　描繪與預(yù)測(cè)12
1.2.4　現(xiàn)象與知識(shí)13
1.2.5　規(guī)律與因果13
　1.3　機(jī)器學(xué)習(xí)應(yīng)用系統(tǒng)14
1.3.1　數(shù)據(jù)層14
1.3.2　算法層18
1.3.3　應(yīng)用層23
1.3.4　經(jīng)驗(yàn)積累與應(yīng)用26
　1.4　無限三維嵌套空間假說26
1.4.1　一維空間26
1.4.2　二維空間26
1.4.3　三維空間27
1.4.4　突破三維空間27
1.4.5　五維空間28
1.4.6　六維空間29
　1.5　分?jǐn)?shù)維度空間30
1.5.1　分?jǐn)?shù)維度30
1.5.2　自相似性31
1.5.3　無限迭代32
　1.6　不確定論33
　1.7　本章小結(jié)34
第2章　數(shù)據(jù)探索35
　2.1　數(shù)據(jù)關(guān)系探索36
2.1.1　業(yè)務(wù)發(fā)現(xiàn)36
2.1.2　關(guān)系發(fā)現(xiàn)38
2.1.3　數(shù)據(jù)質(zhì)量探索38
2.1.4　數(shù)據(jù)整合42
　2.2　數(shù)據(jù)特征探索43
2.2.1　數(shù)據(jù)的統(tǒng)計(jì)學(xué)特征43
2.2.2　統(tǒng)計(jì)學(xué)特征應(yīng)用50
2.2.3　變量相關(guān)性探索53
　2.3　數(shù)據(jù)選擇56
2.3.1　適當(dāng)?shù)臄?shù)據(jù)規(guī)模57
2.3.2　數(shù)據(jù)的代表性57
2.3.3　數(shù)據(jù)的選取59
　2.4　數(shù)據(jù)處理61
2.4.1　數(shù)據(jù)標(biāo)準(zhǔn)化62
2.4.2　數(shù)據(jù)離散化63
　2.5　本章小結(jié)64
第3章　機(jī)器學(xué)習(xí)技術(shù)65
　3.1　聚類分析65
3.1.1　劃分聚類（Ｋ均值）66
3.1.2　層次聚類（組平均）70
3.1.3　密度聚類75
　3.2　特性選擇76
3.2.1　特性選擇概念76
3.2.2　線性相關(guān)80
3.2.3　相關(guān)因子SRCF82
　3.3　特征抽取91
3.3.1　主成分分析91
3.3.2　因子分析93
3.3.3　非負(fù)矩陣因子分解94
　3.4　關(guān)聯(lián)規(guī)則95
3.4.1　關(guān)聯(lián)規(guī)則概念95
3.4.2　Apriori算法96
3.4.3　FP樹頻集97
3.4.4　提升（Lift）97
　3.5　分類和預(yù)測(cè)98
3.5.1　支持向量機(jī)98
3.5.2　Logistic回歸102
3.5.3　樸素貝葉斯分類106
3.5.4　決策樹112
3.5.5　人工神經(jīng)網(wǎng)絡(luò)116
3.5.6　分類與聚類的關(guān)系119
　3.6　時(shí)間序列120
3.6.1　灰色系統(tǒng)預(yù)測(cè)模型120
3.6.2　ARIMA模型預(yù)測(cè)126
　3.7　深度學(xué)習(xí)127
3.7.1　圖像深度學(xué)習(xí):卷積神經(jīng)網(wǎng)絡(luò)127
3.7.2　自然語言深度學(xué)習(xí):循環(huán)神經(jīng)網(wǎng)絡(luò)141
　3.8　本章小結(jié)145
第4章　機(jī)器學(xué)習(xí)應(yīng)用案例146
　4.1　特性選擇的應(yīng)用146
4.1.1　數(shù)據(jù)整合146
4.1.2　數(shù)據(jù)描繪147
4.1.3　數(shù)據(jù)標(biāo)準(zhǔn)化148
4.1.4　特性選擇探索148
　4.2　分類模型的應(yīng)用——算法比較154
4.2.1　數(shù)據(jù)整合154
4.2.2　數(shù)據(jù)描繪155
4.2.3　數(shù)據(jù)標(biāo)準(zhǔn)化156
4.2.4　特性選擇探索156
4.2.5　分類模型160
　4.3　算法的綜合應(yīng)用——腫瘤標(biāo)志物的研究161
4.3.1　樣本選取161
4.3.2　癌胚抗原臨床特征主題分析165
4.3.3　癌胚抗原臨床特征規(guī)則分析169
4.3.4　癌胚抗原臨床特征規(guī)則的比較分析173
4.3.5　癌胚抗原相關(guān)因子分析174
4.3.6　不同等級(jí)癌胚抗原組差異分析177
　4.4　本章小結(jié)180
第5章　機(jī)器學(xué)習(xí)應(yīng)用系統(tǒng)開發(fā)181
　5.1　IMRS的設(shè)計(jì)思路181
5.1.1　IMRS核心功能設(shè)計(jì)182
5.1.2　IMRS主要功能184
5.1.3　IMRS的模塊設(shè)計(jì)和應(yīng)用實(shí)現(xiàn)185
5.1.4　IMRS的評(píng)估方法194
　5.2　機(jī)器學(xué)習(xí)應(yīng)用系統(tǒng)：IMRS技術(shù)設(shè)計(jì)199
5.2.1　對(duì)數(shù)據(jù)源的分析200
5.2.2　IMRS的總體設(shè)計(jì)203
　5.3　IMRS異常偵測(cè)模型的開發(fā)210
5.3.1　異常偵測(cè)模型的功能展示211
5.3.2　技術(shù)開發(fā)要點(diǎn)214
　5.4　IMRS特征抽取模型的開發(fā)221
5.4.1　特征抽取模型的功能展示221
5.4.2　技術(shù)開發(fā)要點(diǎn)221
　5.5　IMRS的算法開發(fā)232
5.5.1　相關(guān)因子算法SRCF的實(shí)現(xiàn)232
5.5.2　樸素貝葉斯分類算法的實(shí)現(xiàn)237
　5.6　本章小結(jié)241
第6章　機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)用（一）：結(jié)構(gòu)數(shù)據(jù)挖掘242
　6.1　分布探索243
6.1.1　兩維度聚類模型應(yīng)用243
6.1.2　高維度聚類模型應(yīng)用248
　6.2　關(guān)系探索249
6.2.1　關(guān)聯(lián)規(guī)則的應(yīng)用249
6.2.2　特性選擇的應(yīng)用252
　6.3　特征探索257
6.3.1　不穩(wěn)定心絞痛的特征總結(jié)258
6.3.2　動(dòng)脈硬化性心臟病的臨床特征262
　6.4　異常探索264
6.4.1　生理指標(biāo)的異常偵測(cè)264
6.4.2　異常偵測(cè)模型的比較267
　6.5　推測(cè)探索268
　6.6　應(yīng)用系統(tǒng)的高級(jí)應(yīng)用269
6.6.1　異常偵測(cè)的高級(jí)用法270
6.6.2　關(guān)聯(lián)規(guī)則的高級(jí)應(yīng)用274
　6.7　本章小結(jié)278
第7章　機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)用（二）：非結(jié)構(gòu)數(shù)據(jù)挖掘280
　7.1　文本挖掘技術(shù)280
7.1.1　文本分詞算法280
7.1.2　文本相似性算法283
7.1.3　文本聚類算法287
7.1.4　文本分類算法290
　7.2　文本數(shù)據(jù)挖掘在醫(yī)學(xué)上的應(yīng)用293
7.2.1　醫(yī)學(xué)自然文本挖掘的應(yīng)用293
7.2.2　醫(yī)學(xué)自然文本挖掘的方法294
7.2.3　醫(yī)學(xué)自然文本挖掘的相關(guān)技術(shù)295
7.2.4　醫(yī)學(xué)自然文本挖掘系統(tǒng)的實(shí)現(xiàn)295
　7.3　文本分詞的實(shí)現(xiàn)296
7.3.1　專業(yè)語料庫與分詞算法的結(jié)合297
7.3.2　專業(yè)分詞庫的自完善297
　7.4　文本智能搜索298
7.4.1　文本相似性搜索298
7.4.2　文本相關(guān)性搜索299
　7.5　文本聚類與分類的應(yīng)用299
7.5.1　文本聚類應(yīng)用300
7.5.2　文本分類應(yīng)用302
　7.6　文本主題提取應(yīng)用303
　7.7　本章小結(jié)305
第8章　基于機(jī)器學(xué)習(xí)的人工智能應(yīng)用306
　8.1　基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)的人工智能306
8.1.1　廣義大數(shù)據(jù)306
8.1.2　人工智能307
8.1.3　基于大數(shù)據(jù)的人工智能應(yīng)用308
8.1.4　基于小數(shù)據(jù)的人工智能應(yīng)用311
　8.2　人工智能的應(yīng)用：智能醫(yī)學(xué)診斷系統(tǒng)314
8.2.1　智能診斷推理機(jī)314
8.2.2　臨床智能診斷的實(shí)現(xiàn)319
8.2.3　臨床智能診斷的應(yīng)用321
8.2.4　臨床智能診斷的驗(yàn)證：基于群體特征的個(gè)案臨床評(píng)估323
　8.3　混沌人工智能325
8.3.1　混沌理論325
8.3.2　人類大腦的混沌性327
8.3.3　大腦混沌性的應(yīng)用328
8.3.4　人工智能大腦展望332
　8.4　本章小結(jié)333