觀察判斷決策行動全環(huán)節(jié)開源數(shù)據(jù)分析

定　價：￥88.00

作　者：	丁兆云,沈大勇,李俊,左曉亮
出版社：	北京理工大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥76.30)

ISBN：	9787576312775	出版時間：	2022-04-01	包裝：
開本：	16開	頁數(shù)：	238	字數(shù)：

內(nèi)容簡介

　　隨著大數(shù)據(jù)、人工智能的進一步發(fā)展，特別是開源數(shù)據(jù)的不斷積累，使得如何快速將開源數(shù)據(jù)轉(zhuǎn)換為可理解的態(tài)勢，形成可預判的決策，并產(chǎn)生精準的行動已成為數(shù)據(jù)智能化運用需要解決的重要問題。本書引入OODA決策循環(huán)理論，以觀察（Observe），判斷（Orient），決策（Decide）和行動（Act）循環(huán)理論來貫穿整個開源數(shù)據(jù)分析過程，為數(shù)據(jù)到行動提供整套開源情報分析框架與理論技術(shù)。不同于傳統(tǒng)的僅從大數(shù)據(jù)分析技術(shù)視角來闡述開源數(shù)據(jù)分析的專著，本書更加全面地闡述從數(shù)據(jù)到?jīng)Q策、從決策到行動的全環(huán)節(jié)開源數(shù)據(jù)分析技術(shù)，使得讀者能夠更加清晰地了解開源數(shù)據(jù)分析環(huán)節(jié)流程、以及各環(huán)節(jié)對應的典型關(guān)鍵技術(shù)，能夠為數(shù)據(jù)產(chǎn)生真正決策與行動提供理論與技術(shù)支撐，為數(shù)據(jù)智能化運用提供理論支撐。本書的內(nèi)容包括近幾年開源數(shù)據(jù)挖掘的前沿技術(shù)，內(nèi)容新穎，時效性強。本書適用于計算機科學與技術(shù)專業(yè)、管理科學與工程專業(yè)以及相關(guān)學科本科生、研究生、博士生等；同時也可以作為工業(yè)界大數(shù)據(jù)、人工智能等方向的業(yè)務(wù)指導書。

作者簡介

暫缺《觀察判斷決策行動全環(huán)節(jié)開源數(shù)據(jù)分析》作者簡介

圖書目錄

緒論篇
第1章 OODA基礎(chǔ)理論
1.1 模型構(gòu)成
1.2 基于OODA數(shù)據(jù)分析相關(guān)理論及案例
第2章 OODA全環(huán)節(jié)開源數(shù)據(jù)分析概述
2.1 開源數(shù)據(jù)分析概述
2.2 基于O0DA的開源數(shù)據(jù)分析各環(huán)節(jié)概述
觀察篇
第3章文本表示模型
3.1 布爾模型
3.2 概率模型
3.3 向量空間模型
3.4 分布式詞向量
3.5 分布式字向量
3.6 基于上下文的動態(tài)詞向量語義表示
第4章話題表示模型
4.1 相關(guān)定義
4.2 LDA模型表示
4.3 基于信息熵的表示
4.4 基于LDA模型和信息熵的話題表示模型
4.5 實驗分析
4.6 總結(jié)
判斷篇
第5章影響力分析基礎(chǔ)理論
5.1 影響力個體
5.2 社會網(wǎng)絡(luò)影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.3 微博中影響力個體發(fā)現(xiàn)研究現(xiàn)狀
5.4 多關(guān)系網(wǎng)絡(luò)研究現(xiàn)狀
第6章基于多關(guān)系網(wǎng)絡(luò)的微博話題層次影響力個體挖掘
6.1 確定博文話題類別
6.2 相關(guān)定義
6.3 轉(zhuǎn)發(fā)網(wǎng)絡(luò)
6.4 回復網(wǎng)絡(luò)
6.5 復制網(wǎng)絡(luò)
6.6 閱讀網(wǎng)絡(luò)
6.7 融合多關(guān)系網(wǎng)絡(luò)
6.8 證明收斂性
6.9 影響力個體分類
第7章基于用戶行為的話題層面影響力度量
7.1 研究動機
7.2 相關(guān)定義
7.3 方法描述
7.4 實驗分析
7.5 本章小結(jié)
第8章面向信息傳播的相互影響力分析
8.1 研究動機
8.2 相關(guān)定義
8.3 方法描述
8.4 實驗分析
8.5 本章小結(jié)
第9章基于誤差重構(gòu)的關(guān)鍵傳播節(jié)點識別
9.1 問題描述
9.2 方法描述
9.3 本章小結(jié)
第10章文本情感分析基礎(chǔ)
10.1 文本情感分析基本概念
10.2 文本情感分析主要任務(wù)
第11章面向公眾實體情感民調(diào)實體級微博文本情感分析
11.1 引言
11.2 基本框架
11.3 問題描述
11.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的實體級微博文本情感分析
11.5 基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的序列標記
11.6 實驗與分析
11.7 本章小結(jié)
第12章基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)實體級微博文本情感分析
12.1 引言
12.2 基于卷積神經(jīng)網(wǎng)絡(luò)的文本序列標記
12.3 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的序列標記
12.4 實驗與分析
12.5 本章小結(jié)
決策篇
第13章基于深度神經(jīng)網(wǎng)絡(luò)與注意力機制的機器閱讀理解技術(shù)研究
13.1 基于雙向注意力機制的機器閱讀理解模型
13.2 基于雙向長短期記憶網(wǎng)絡(luò)的機器閱讀理解模型
13.3 基于自注意力機制與卷積神經(jīng)網(wǎng)絡(luò)的機器閱讀理解模型
13.4 實驗結(jié)果與分析
13.5 本章小結(jié)
第14章基于集成學習的機器閱讀理解技術(shù)研究
14.1 基于集成學習的機器閱讀理解模型
14.2 實驗結(jié)果與分析
14.3 本章小結(jié)
第15章融合相互影響力的轉(zhuǎn)發(fā)行為預測
15.1 研究動機
15.2 相關(guān)定義
15.3 方法描述
15.4 實驗分析
15.5 本章小結(jié)
第16章基于相似關(guān)系和共現(xiàn)關(guān)系的話題流行度預測
16.1 問題背景
16.2 準備工作
16.3 流行度預測方法
16.4 實驗分析
16.5 本章小結(jié)
行動篇
第17章用戶推薦相關(guān)理論
17.1 推薦的相關(guān)算法
17.2 信息推薦的衡量指標
17.3 本章小結(jié)
第18章基于轉(zhuǎn)推網(wǎng)絡(luò)的個性化推薦模型
18.1 基于轉(zhuǎn)推網(wǎng)絡(luò)的推薦模型框架
18.2 基于用戶相似度的個性化推薦模型
18.3 基于用戶信任度的個性化推薦模型
18.4 基于用戶相似度和信任度的混合推薦模型
18.5 本章小結(jié)
第19章基于內(nèi)容標簽的個性化推薦模型
19.1 基于內(nèi)容標簽的推薦模型框架
19.2 標簽特征的抽取
19.3 基于多標簽的興趣度計算
19.4 本章小結(jié)
第20章基于轉(zhuǎn)推網(wǎng)絡(luò)和內(nèi)容標簽的混合推薦模型
20.1 基于轉(zhuǎn)推網(wǎng)絡(luò)和內(nèi)容標簽的混合推薦模型框架
20.2 離線實驗設(shè)計及分析
20.3 本章小結(jié)
第21章基于排序?qū)W習的多因素融合推薦
21.1 概述
21.2 排序函數(shù)定義
21.3 排序函數(shù)訓練
21.4 本章小結(jié)
第22章基于指派模型的推薦優(yōu)化模型
22.1 概述
22.2 構(gòu)建效用矩陣
22.3 模型優(yōu)化
22.4 解決方案
22.5 本章小結(jié)
參考文獻