譯者序
致謝
第1章　概述和應用1
1.1　引言1
1.2　本書為什么重要2
1.3　本書的組織結構3
1.4　信息學3
1.5　分析統(tǒng)計學4
1.5.1　值和方差4
1.5.2　樣本和總體檢驗5
1.5.3　回歸和估計7
1.6　分析算法12
1.6.1　k均值和k近鄰聚類12
1.6.2　反聚類14
1.6.3　馬爾可夫模型14
1.7　機器學習16
1.7.1　熵16
1.7.2　支持向量機和核函數(shù)18
1.7.3　概率18
1.7.4　降維和信息增益20
1.7.5　優(yōu)化和搜索21
1.7.6　數(shù)據(jù)挖掘和知識發(fā)現(xiàn)22
1.7.7　識別23
1.7.8　集成學習24
1.8　人工智能25
1.8.1　遺傳算法26
1.8.2　神經(jīng)網(wǎng)絡30
1.8.3　免疫算法35
1.9　一個從頭開始構建分類器的平臺（二分類）37
1.10　一個從頭開始構建分類器的平臺（一般情況）43
1.10.1　訓練和驗證43
1.10.2　測試和部署49
1.10.3　比較訓練和測試數(shù)據(jù)集上的結果62
1.11　本章小結63
參考文獻64
擴展閱讀64
第2章　獲取真值65
2.1　引言65
2.2　預驗證66
2.3　根據(jù)訓練數(shù)據(jù)優(yōu)化設置72
2.4　學習如何學習76
2.5　從深度學習到深度反學習82
2.6　本章小結82
參考文獻83
第3章　實驗設計85
3.1　引言85
3.2　數(shù)據(jù)歸一化86
3.2.1　簡單的歸一化86
3.2.2　偏差歸一化87
3.2.3　歸一化和實驗設計表90
3.3　剪枝老化數(shù)據(jù)的設計91
3.4　系統(tǒng)之系統(tǒng)93
3.4.1　系統(tǒng)93
3.4.2　混合系統(tǒng)94
3.4.3　動態(tài)更新的系統(tǒng)95
3.4.4　接口95
3.4.5　增益95
3.4.6　領域歸一化97
3.4.7　靈敏度分析98
3.5　本章小結99
參考文獻99
第4章　元分析設計模式100
4.1　引言100
4.2　累積響應模式101
4.2.1　識別感興趣的區(qū)域102
4.2.2　面向序列相關的預測性選擇的感興趣的區(qū)域104
4.2.3　傳統(tǒng)的累積增益曲線105
4.3　分析的優(yōu)化111
4.3.1　決策樹111
4.3.2　假定身份觸發(fā)模式112
4.3.3　期望化和-小模式113
4.4　模型一致性模式116
4.4.1　混合回歸117
4.4.2　建模和模型擬合117
4.5　共現(xiàn)和相似性模式118
4.6　靈敏度分析模式119
4.7　混淆矩陣模式120
4.8　熵模式121
4.9　獨立模式124
4.10　功能式NLP模式（宏觀反饋）127
4.11　本章小結127
參考文獻129
第5章　靈敏度分析和大型系統(tǒng)工程130
5.1　引言130
5.2　數(shù)據(jù)集本身的靈敏度分析132
5.3　解決方案模型的靈敏度分析135
5.4　單個算法的靈敏度分析136
5.5　混合算法的靈敏度分析137
5.6　到當前狀態(tài)的路徑的靈敏度分析138
5.7　本章小結140
參考文獻141
第6章　多面預測性選擇142
6.1　引言142
6.2　預測性選擇142
6.3　預測方法143
6.4　選擇方法144
6.5　多路徑方法149
6.6　應用151
6.7　靈敏度分析151
6.8　本章小結151
參考文獻152
第7章　建模和模型擬合153
7.1　引言153
7.2　用于分析的化學類比154
7.3　用于分析的有機化學類比156
7.4　用于分析的免疫學和生物學類比157
7.5　用于模型設計和擬合的匿名化類比159
7.6　小平方誤差、誤差方差和熵：擬合優(yōu)度159
7.7　創(chuàng)建屬于自己的多個模型160
7.8　本章小結161
參考文獻161
第8章　同義詞-反義詞模式和強化-無效化模式162
8.1　引言162
8.2　同義詞-反義詞模式163
8.3　強化-無效化模式164
8.4　各種模式的廣泛適用性167
8.5　本章小結167
參考文獻168
擴展閱讀168
第9章　關于分析的分析169
9.1　引言169
9.2　關于分析的分析170
9.2.1　熵與出現(xiàn)向量170
9.2.2　功能指標173
9.2.3　期望化方法174
9.2.4　系統(tǒng)設計的注意事項175
9.3　根據(jù)訓練數(shù)據(jù)優(yōu)化設置175
9.4　混合方法176
9.5　關于分析的其他探索領域177
9.6　本章小結178
參考文獻178
擴展閱讀179
第10章　系統(tǒng)設計優(yōu)化180
10.1　引言180
10.1.1　系統(tǒng)考量—重新審視系統(tǒng)增益181
10.1.2　系統(tǒng)增益—重新審視和擴大系統(tǒng)偏差182
10.1.3　投資與回報185
10.2　模塊優(yōu)化185
10.3　聚類與正則化186
10.3.1　平方和正則化189
10.3.2　方差正則化189
10.3.3　簇大小正則化190
10.3.4　小型簇正則化191
10.3.5　簇數(shù)量正則化191
10.3.6　對正則化方法的討論192
10.4　分析系統(tǒng)的優(yōu)化192
10.5　本章小結193
參考文獻193
第11章　射幸技術和專家系統(tǒng)技術194
11.1　引言194
11.2　兩種射幸模式回顧195
11.2.1　特征射幸模式的依次移除195
11.2.2　特征輸出射幸模式的時序變化198
11.3　為測試添加隨機元素199
11.4　高光譜射幸方法201
11.5　機器學習和統(tǒng)計學習中的其他射幸應用202
11.6　專家系統(tǒng)技術202
11.7　本章小