免费下载书籍地址：PDF下载地址
精美图片
Python高维数据分析 西安电子科技大学出版社书籍详细信息
- ISBN：9787560655772
- 作者：暂无作者
- 出版社：暂无出版社
- 出版时间：2020-08
- 页数：暂无页数
- 价格：35.30
- 纸张：胶版纸
- 装帧：平装-胶订
- 开本：16开
- 语言：未知
- 丛书：暂无丛书
- TAG：暂无
- 豆瓣评分：暂无豆瓣评分
寄语：
新华书店正版，关注店铺成为会员可享店铺专属优惠，团购客户请咨询在线客服！
内容简介：
本书从矩阵计算如特征值分解和奇异值分解出发，讨论了正规方程的最小二乘法模型引出欠秩线性方程组的求解方法问题；然后介绍了两种有损的降维方法，即主成分分析（主成分回归）和偏最小二乘回归，包括模型、算法和多个实例，并扩展到线性回归的正则化方法，给出了岭回归和Lasso的原理算法和实例；最后通过红外光谱的标定迁移实例将线性模型扩展到迁移学习领域。本书每章都有基于Python语言和Sklearn机器学习库的红外光谱数据集分析的实例。红外光谱集是关于物质吸光率的纯数据，可以与其标签标示的数据物质浓度直接进行回归分析，读者在阅读中可以把精力优选限度地集中在高维数据的建模、算法实现和分析过程上。本书既可作为信息管理和信息系统专业、计算机相关专业和大数据专业的教学用书，也可作为从事光谱分析、化学分析的工程人员及化学计量学研究人员的参考书，还适合对数据分析和研究感兴趣的其他Python工程师学习阅读。本书引用的原始文献和数据对上述人员是非常有帮助的。
书籍目录：
Chapter 1 Basis of Matrix Calculation
1．1 Fundamental Concepts
1．1．1 Notation
1．1．2 “BiggerBlock” Interpretations of Matrix Multiplication
1．1．3 Fundamental Linear Algebra
1．1．4 Four Fundamental Subspaces of a Matrix
1．1．5 Vector Norms
1．1．6 Determinants
1．1．7 Properties of Determinants
1．2 The Most Basic Matrix Decomposition
1．2．1 Gaussian Elimination
1．2．2 The LU Decomposition
1．2．3 The LDM Factorization
1．2．4 The LDL Decomposition for Symmetric Matrices
1．2．5 Cholesky Decomposition
1．2．6 Applications and Examples of the Cholesky Decomposition
1．2．7 Eigendecomposition
1．2．8 Matrix Norms
1．2．9 Covariance Matrices
1．3 Singular Value Decomposition （SVD）
1．3．1 Orthogonalization
1．3．2 Existence Proof of the SVD
1．3．3 Partitioning the SVD
1．3．4 Properties and Interpretations of the SVD
1．3．5 Relationship between SVD and ED
1．3．6 Ellipsoidal Interpretation of the SVD
1．3．7 An Interesting Theorem
1．4 The Quadratic Form
1．4．1 Quadratic Form Theory
1．4．2 The Gaussian MultiVariate Probability Density Function
1．4．3 The Rayleigh Quotient
Chapter 2 The Solution of Least Squares Problems
2．1 Linear Least Squares Estimation
2．1．1 Example： Autoregressive Modelling
2．1．2 The LeastSquares Solution
2．1．3 Interpretation of the Normal Equations
2．1．4 Properties of the LS Estimate
2．1．5 Linear LeastSquares Estimation and the Cramer Rao Lower Bound
2．2 A Generalized “PseudoInverse” Approach to Solving the Leastsquares Problem
2．2．1 Least Squares Solution Using the SVD
2．2．2 Interpretation of the PseudoInverse
Chapter 3 Principal Component Analysis
3．1 Introductory Example
3．2 Theory
3．2．1 Taking Linear Combinations
3．2．2 Explained Variation
3．2．3 PCA as a Model
3．2．4 Taking More Components
3．3 History of PCA
3．4 Practical Aspects
3．4．1 Preprocessing
3．4．2 Choosing the Number of Components
3．4．3 When Using PCA for Other Purposes
3．4．4 Detecting Outliers
References
3．5 Sklearn PCA
3．5．1 Source Code
3．5．2 Examples
3．6 Principal Component Regression
3．6．1 Source Code
3．6．2 KFold CrossValidation
3．6．3 Examples
3．7 Subspace Methods for Dynamic Model Estimation in PAT Applications
3．7．1 Introduction
3．7．2 Theory
3．7．3 State Space Models in Chemometrics
3．7．4 Milk Coagulation Monitoring
3．7．5 State Space Based Monitoring
3．7．6 Results
3．7．7 Concluding remarks
3．7．8 Appendix
References
Chapter 4 Partial Least Squares Analysis
4．1 Basic Concept
4．1．1 Partial Least Squares
4．1．2 Form of Partial Least Squares
4．1．3 PLS Regression
4．1．4 Statistic
Reference
4．2 NIPALS and SIMPLS Algorithm
4．2．1 NIPALS
4．2．2 SIMPLS
References
4．3 Programming Method of Standard Partial Least Squares
4．3．1 Crossvalidation
4．3．2 Procedure of NIPALS
4．4 Example Application
4．4．1 Demo of PLS
4．4．2 Corn Dataset
4．4．3 Wheat Dataset
4．4．4 Pharmaceutical Tablet Dataset
4．5 Stack Partial Least Squares
4．5．1 Introduction
4．5．2 Theory of Stack Partial Least Squares
4．5．3 Demo of SPLS
4．5．4 Experiments
References
Chapter 5 Regularization
5．1 Regularization
5．1．1 Classification
5．1．2 Tikhonov Regularization
5．1．3 Regularizers for Sparsity
5．1．4 Other Uses of Regularization in Statistics and Machine Learning
5．2 Ridge Regression： Biased Estimation for Nonorthogonal Problems
5．2．1 Properties of Best Linear Unbiased Estimation
5．2．2 Ridge Regression
5．2．3 The Ridge Trace
5．2．4 Mean Square Error Properties of Ridge Regression
5．2．5 A General Form of Ridge Regression
5．2．6 Relation to Other Work in Regression
5．2．7 Selecting a Better Estimate of ?
References
5．3 Lasso
5．3．1 Introduction
5．3．2 Theory of the Lasso
References
5．4 The Example of Ridge Regression and Lasso Regression
5．4．1 Example
5．4．2 Practical Example
5．5 Sparse PCA
5．5．1 Introduction
5．5．2 Motivation and Method Details
5．5．3 SPCA for p ≥ n and Gene Expression Arrays
5．5．4 Demo of SPCA
References
Chapter 6 Transfer Method
6．1 Calibration Transfer of Spectral Models［1］
6．1．1 Introduction
6．1．2 Calibration Transfer Setting
6．1．3 Related Work
6．1．4 New or Adapted Methods
6．1．5 Standardfree Alternatives to Methods Requiring Transfer StandardsReferences
6．2 PLS Subspace Based Calibration Transfer for NIR Quantitative Analysis
6．2．1 Calibration Transfer Method
6．2．2 Experimental
6．2．3 Results and Discussion
6．2．4 Conclusion
References
6．3 Calibration Transfer Based on Affine Invariance for NIR without Standard Samples
6．3．1 Theory
6．3．2 Experimental
6．3．3 Results and Discussion
6．3．4 Conclusions
作者介绍：
暂无相关内容，正在全力查找中
出版社信息：
暂无出版社相关信息，正在全力查找中！
书籍摘录：
暂无相关书籍摘录，正在全力查找中！
在线阅读/听书/购买/PDF下载地址：
在线阅读地址：Python高维数据分析 西安电子科技大学出版社在线阅读
在线听书地址：Python高维数据分析 西安电子科技大学出版社在线收听
在线购买地址：Python高维数据分析 西安电子科技大学出版社在线购买
原文赏析：
暂无原文赏析，正在全力查找中！
其它内容：
暂无其它内容！
书籍真实打分
故事情节：9分
人物塑造：3分
主题深度：8分
文字风格：3分
语言运用：8分
文笔流畅：6分
思想传递：5分
知识深度：5分
知识广度：4分
实用性：9分
章节划分：9分
结构布局：9分
新颖与独特：6分
情感共鸣：9分
引人入胜：3分
现实相关：3分
沉浸感：7分
事实准确性：3分
文化贡献：7分
网站评分
书籍多样性：7分
书籍信息完全性：5分
网站更新速度：6分
使用便利性：5分
书籍清晰度：8分
书籍格式兼容性：7分
是否包含广告：3分
加载速度：5分
安全性：7分
稳定性：5分
搜索功能：5分
下载便捷性：3分
下载点评
- 少量广告(163+)
- 内容完整(631+)
- 方便(199+)
- 在线转格式(550+)
- 排版满分(512+)
- epub(647+)
- 博大精深(71+)
- 可以购买(237+)
- 书籍完整(318+)
- 内容齐全(340+)
- mobi(252+)
- 体验好(115+)
下载评价
网友 冯***卉：听说内置一千多万的书籍，不知道真假的
网友 马***偲：好 很好 非常好 无比的好 史上最好的
网友 林***艳：很好，能找到很多平常找不到的书。
网友 宓***莉：不仅速度快，而且内容无盗版痕迹。
网友 仰***兰：喜欢！很棒！！超级推荐！
网友 车***波：很好，下载出来的内容没有乱码。
网友 相***儿：你要的这里都能找到哦！！！
网友 谭***然：如果不要钱就好了
网友 隗***杉：挺好的，还好看！支持！快下载吧！
网友 通***蕊：五颗星、五颗星，大赞还觉得不错！~~
网友 汪***豪：太棒了，我想要azw3的都有呀！！！
网友 宫***凡：一般般，只能说收费的比免费的强不少。
网友 饶***丽：下载方式特简单，一直点就好了。
网友 陈***秋：不错，图文清晰，无错版，可以入手。