回歸分析是一本統計學類、數據科學類專業的核心專業課程，主要為統計學及其相關專業的本科生介紹回歸分析的建模思想、基本原理和基本方法。本教材的編寫邏輯和思路：首先，通過介紹變量之間的關系引入回歸的思想，從最簡單的一元線性回歸模型開始，擴展到多元線性回歸模型，進一步再擴展到廣義線性模型，針對不同的問題，建立不同的模型，從簡單到復雜，深入淺出的講解回歸模型的建模思想。其次，針對不同的模型，通過理論講解與實例分析介紹如何建立回歸模型，如何實現回歸模型的估計，并針對模型的種種假設進行檢驗，以及數據違背假設的
本書采用先理論方法后實踐應用的方式進行撰寫，系統介紹了投影尋蹤基本原理、統計學習方法及其多場景應用案例，為多方法耦合提供新思路，為復雜數據挖掘提供新方法，為數據科學問題解決提供新應用。全書內容包括投影尋蹤研究進展綜述、投影尋蹤耦合學習原理、投影尋蹤耦合學習算法、投影尋蹤聚類耦合學習、投影尋蹤回歸耦合學習、投影尋蹤函數型耦合學習、投影尋蹤耦合學習評價、投影尋蹤耦合學習預測和投影尋蹤耦合學習決策。本書可作為統計學習、數據科學和工程應用方向的研究及實踐工作者的學習參考書。
真實世界中的序列數據隨時間推移呈爆炸式增長，如何設計面向序列數據的知識發現方法是當前研究的熱點之一。本書以深度學習和多視圖學習為理論基礎，以序列數據為研究對象，為面向序列數據分析提供多視圖的學習方法與技術，同時為典型場景下的序列數據分析提供多視圖深度學習解決方案，以期為序列數據分析、多視圖學習領域的研究及應用提供參考。本書針對序列數據的動態性、突變性、不確定性和時空關聯性等特點，探討多視圖學習理論，構建面向序列數據的多視圖方法，概述基礎理論與傳統方法，并系統地介紹多視圖序列數據應用領域的研究理論
本書教你如何從基于時間的數據(如日志、客戶分析和其他事件流)中獲得即時、有意義的預測。在這本通俗易懂的書中，作者通過帶有注釋的Python代碼全面演示了用于時間序列預測的統計和深度學習方法。全書分為四部分：第一部分介紹時間序列預測的概念；第二部分介紹使用統計模型進行預測；第三部分介紹使用深度學習進行大規模預測；第四部分介紹使用自動化預測庫進行大規模預測。
這是一本寫給對概率統計及應用有興趣的非專業讀者的書，目的是幫助他們理解高科技發展中概率統計等概念的意義。本書寫作中以悖論、謬誤、以及一些饒有趣味的數學案例作先導，引起讀者的興趣和思考，在解答問題的過程中講述概率論中的基本知識和原理，及其在物理學、信息論、網絡、人工智能等技術中的應用。書中介紹的著名趣味概率問題包括高爾頓釘板、幾何概型悖論、博士相親、中國餐館過程等。通過討論這些簡單有趣的例子，讓讀者了解概率統計中的重要概念，諸如隨機變量、期望值、貝葉斯定理、大數定律、中心極限定理、馬爾可
1、概率論基礎知識；2、基礎理論：隨機過程的引入（定義的引入、分類、平穩過程）、離散時間的Markov鏈（定義的引入、分類、不變測度、極限定理）、最優停時與鞅、連續時間的Markov鏈（定義的引入、Poisson過程、Renew 過程、應用案例）、連續時間的隨機過程（布朗運動）、隨機分析及隨機微分方程；3、應用案例分析：隨機過程在金融中的應用、隨機過程在流行病傳播中的應用、隨機過程在社會學中的應用
本書從信息流個性化推薦算法從業者的角度，闡述在資訊內容類App中，如何搭建健壯、完善的個性化推薦算法體系，如何融合產品運營的專家模型和端到端的深度學習，如何平衡短期的商業化目標和長期的用戶體驗，以及我們在多個行業頭部平臺實踐的過程中遇到的典型業務問題和解決方案，對比理論推導為主的機器學習書籍，本身更偏向基于行業問題的深度思考及落地實踐。
敏感性試驗設計是試驗設計研究領域的主要研究方向之一，其應用背景主要是針對燃爆產品試驗和藥劑試驗，通過設計若干刺激水平和觀測對應的二元響應數據，估計感興趣的特殊刺激水平，如成功響應概率p對應的刺激水平，稱其為感度分布的p分位數。 傳統的敏感性試驗設計沒有優化準則，而且希望估計的主要是0.5分位數。隨著對研究對象更高質量的要求，在中小樣本下估計極端p分位數的需求越來越強烈。本專著主要給出估計該類極端p分位數的優化試驗設計方法，并在三元響應和混合響應情形下給出廣義敏感性試驗設計的概念、統計模型和廣義p
本書分為8 章，內容包括時間序列分析的基礎知識、時間序列預測的常用方法，以及神經網絡在時間序列預測中的應用；時間序列異常檢測算法的技術與框架，如何識別異常的時間點及多種異常檢測方法；時間序列的相似性度量方法、聚類算法；多維時間序列在廣告分析和業務運維領域的應用，利用OLAP 技術對多維時間序列進行有效處理，通過根因分析技術獲得導致故障的維度和元素；智能運維領域（AIOps）和金融領域的兩個應用場景。
本書以近鄰思想、同步聚類模型及快速同步聚類算法為研究課題，重點研究了基于近鄰圖與單元網格圖的聚類算法、基于近鄰勢與單元網格近鄰勢的聚類算法、快速同步聚類算法、基于Vicsek模型線性版本的同步聚類算法、基于線性加權Vicsek模型的收縮同步聚類算法、基于分而治之框架與收縮同步聚類算法的多層同步聚類方法和基于ESynC算法與微聚類合并判斷過程的組合聚類算法等。本書可作為聚類分析領域研究生的教學和科研參考教材，也可作為智能數據分析與處理技術人員的自學研究參考教材。
新書資訊 新書推薦