數(shù)據(jù)分析：基礎、模型及應用

目錄
前言
第1 章非負矩陣分解1
1.1矩陣分解基礎1
1.1.1 矩陣的二次型 1
1.1.2 矩陣的行列式 2
1.1.3 矩陣的特征值 3
1.1.4 矩陣的跡 3
1.1.5 矩陣的秩 4
1.1.6 逆矩陣 5
1.1.7 矩陣的向量化和向量的矩陣化 6
1.1.8 矩陣微分8
1.1.9 范數(shù)15
1.1.10 KKT 條件17
1.1.11 拉普拉斯矩陣17
1.2 標準非負矩陣分解18
1.3 單視圖的NMF21
1.3.1 考慮稀疏、平滑控制的NMF 21
1.3.2 考慮數(shù)據(jù)兒何結(jié)構(gòu)信息的NMF 24
1.3.3 考慮噪聲的NMF 31
1.3.4 考慮流形的NMF 35
1.3.5 放松非負約束的NMF40
1.3.6 考慮效率的NMF 45
1.4 多視圖的非負矩陣分解.57
1.4.1 基于共識矩陣的多視圖NMF57
1.4.2 聯(lián)合非負矩陣分解62
1.4.3 多流形正則化非負矩陣分解62
1.4.4 圖正則的多視圖半非負矩陣分解 69
1.5 本章小結(jié)73
參考文獻注釋
參考文獻.74
第2 章張量分解77
2.1 張量分解基礎77
2.1.1 矩陣的Hada.mard 積、Kron礎.er 積和Khatri-Rao 積77
21.2 矩陣函數(shù)微分 80
2.2 張量概念及基本運算 85
2.2.1 張量概念 85
2.2.2 張量矩陣化 86
2.2.3 張量的內(nèi)積、范數(shù)與外積87
2.2.4 張量乘88
2.3 張量的CP 分解 89
2.3.1 CP 分解形式89
2.3.2 CP 分解的求解90
2.4張量的回也分解 ９１
2.4.1 Thcker 分解形式 94
2.4.2 Thcker 分解的求解 96
日CP 分解與白也r 分解的比較 103
2.6 非負張量分解.104
2.6.1 非負CP 分解104
2.6.2 ~陸四也r 分解 105
2.7 本章小結(jié) 106
參考文獻注釋106
參考文獻107
第3 章深度學習 108
3.1 深度學習基礎108
3.1.1 矩陣、向量求導 108
31.2 激活函數(shù)112
31.3 按元素乘 114
31.4 卷積與反卷積115
3.2 深度學習模型.120
3.2.1 感知器120
3.2.2 全連接神經(jīng)網(wǎng)絡.121
3.2.3 玻爾茲曼機 126
3.2.4 自編碼器129
3.2.5 卷積神經(jīng)網(wǎng)絡 131
3.2.6 循環(huán)神經(jīng)網(wǎng)絡 142
3.2.7長短期記憶 150
3.2.8門控循環(huán)單元156
3.2.9遞歸神經(jīng)網(wǎng)絡 157
3.2.10深度卷積生成對抗網(wǎng)絡 167
3.2.11深度殘差網(wǎng)絡168
3.2.12注意力模型171
3.2.14 Skip-gram 模型 174
3.2.15 學會學習算法 178
3.3 本章小結(jié)181
參考文獻注釋184
參考文獻185
第4 章寬度學習 186
4.1 隨機向量函數(shù)連接網(wǎng)絡186
4.1.1 RVFLNN 的結(jié)構(gòu)186
41.2 即FLNN 的動態(tài)逐步更新算法187
4.2 寬度學習系統(tǒng).188
4.2.1 寬度學習系統(tǒng)的結(jié)構(gòu)188
4.2.2 BLS 的增量學習190
4.3 B囚的變體196
4.3.1 特征映射節(jié)點的級聯(lián)196
4.3.2 最后一組特征映射節(jié)點級聯(lián)連接到增強節(jié)點197
4.3.3 增強節(jié)點的級聯(lián)198
4.3.4特征映射節(jié)點和增強節(jié)點的級聯(lián)200
4.3.5 卷積特征制才節(jié)點的級聯(lián).201
4.3.6 模糊寬度學習系統(tǒng) 201
4.4本章小結(jié)206
參考文獻注釋206
參考文獻206
第5 章模型的擴展及應用研究207
5.1 基于矩陣分解的多變量時間序列聚類.207
5.1.1 轉(zhuǎn)換多變量時間序列為多關系網(wǎng)絡 208
51.2 多關系網(wǎng)絡的多非負矩陣分解 209
51.3 動態(tài)多關系網(wǎng)絡的多非負矩陣分解 212
51.4 實驗與分析 215
5.2 基于張量分解的地理傳感數(shù)據(jù)預測222
5.2.1 模型框架 223
5.2.2 預測方法.223
5.2.3 實驗與分析 228
5.3 基于LDA-DeepHawi
5.3.1 Hawkes 過程.234
5.3.2 DeepHawl
5.3.3 LDA-DeepHawk田模型238
5.3.4 LDA-DeepHawk，國算法描述244
5.3.5 實驗與分析 244
5.4基于CNN 和RNN 的蛋白質(zhì)二級結(jié)構(gòu)預測.254
5.4.1 蛋白質(zhì)二級結(jié)構(gòu)254
5.4.2 蛋白質(zhì)二級結(jié)構(gòu)預測框架.255
5.4.3 結(jié)合CNN 與BLSTM 的預測模型 256
5.4.4 結(jié)合CNN 與BGRU 的預測模型257
5.4.5 結(jié)合非對稱CNN 與BLSTM 的預測模型258
5.4.6 實驗與分析 259
5.5 CNN 的跨領域情感分析263
5.5.1 共享詞的選擇 264
5.5.2 模型設計265
5.5.3 實驗與分析 266
5.6 基于雙向LSTM 神經(jīng)網(wǎng)絡模型的中文分詞270
5.6.1 基于改進的雙向LSTM 的中文分詞模型271
5.6.2 實驗與分析 274
5.7 本章小結(jié)277
參考文獻注釋277
參考文獻279