最新章節(jié)

• 封底
• 譯者簡(jiǎn)介
• 推薦閱讀
• 參考文獻(xiàn)
• 10.5 總結(jié)
• 10.4.3 深入挖掘結(jié)果

• 封底 更新時(shí)間：2025-06-05 13:51:23
• 譯者簡(jiǎn)介
• 推薦閱讀
• 參考文獻(xiàn)
• 10.5 總結(jié)
• 10.4.3 深入挖掘結(jié)果
• 10.4.2 在沒有先驗(yàn)知識(shí)的情況下調(diào)整參數(shù)
• 10.4.1 合并多個(gè)復(fù)雜因素
• 10.4 交互式視覺數(shù)據(jù)分析
• 10.3.4 導(dǎo)出邊界以修剪機(jī)器學(xué)習(xí)的計(jì)算空間
• 10.3.3 縮減機(jī)器學(xué)習(xí)的候選對(duì)象
• 10.3.2 使用索引結(jié)構(gòu)加速機(jī)器學(xué)習(xí)
• 10.3.1 動(dòng)機(jī)
• 10.3 將機(jī)器學(xué)習(xí)與數(shù)據(jù)管理相結(jié)合
• 10.2.8 將軌跡轉(zhuǎn)換到其他表示形式
• 10.2.7 從軌跡中檢測(cè)異常
• 10.2.6 軌跡分類
• 10.2.5 軌跡模式挖掘
• 10.2.4 軌跡中的不確定性
• 10.2.3 軌跡數(shù)據(jù)管理
• 10.2.2 軌跡預(yù)處理
• 10.2.1 軌跡數(shù)據(jù)
• 10.2 軌跡數(shù)據(jù)挖掘
• 10.1.3 驗(yàn)證假設(shè)
• 10.1.2 數(shù)據(jù)背后的信息
• 10.1.1 理解目標(biāo)問題
• 10.1 如何選擇有用的數(shù)據(jù)集
• 第10章 城市數(shù)據(jù)分析的高級(jí)主題
• 參考文獻(xiàn)
• 9.6 總結(jié)
• 9.5.4 效率和可擴(kuò)展性
• 9.5.3 機(jī)器學(xué)習(xí)算法的學(xué)習(xí)方法
• 9.5.2 機(jī)器學(xué)習(xí)任務(wù)的目標(biāo)
• 9.5.1 數(shù)據(jù)集的體積、特征和洞察
• 9.5 不同融合方法的比較
• 9.4.4 基于遷移學(xué)習(xí)的知識(shí)融合
• 9.4.3 基于概率依賴的知識(shí)融合
• 9.4.2 基于相似性的知識(shí)融合
• 9.4.1 基于多視圖的知識(shí)融合
• 9.4 基于語義意義的知識(shí)融合
• 9.3.2 基于深度學(xué)習(xí)的知識(shí)融合
• 9.3.1 特征連接與正則化
• 9.3 基于特征的知識(shí)融合
• 9.2 基于階段的知識(shí)融合
• 9.1.2 與異構(gòu)信息網(wǎng)絡(luò)的關(guān)系
• 9.1.1 與傳統(tǒng)數(shù)據(jù)集成的關(guān)系
• 9.1 引言
• 第9章 跨領(lǐng)域知識(shí)融合
• 參考文獻(xiàn)
• 8.9 總結(jié)
• 8.8.3 近似方法
• 8.8.2 表格動(dòng)作值方法
• 8.8.1 強(qiáng)化學(xué)習(xí)的概念
• 8.8 強(qiáng)化學(xué)習(xí)
• 8.7.4 用于時(shí)空數(shù)據(jù)的深度學(xué)習(xí)
• 8.7.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
• 8.7.2 卷積神經(jīng)網(wǎng)絡(luò)
• 8.7.1 人工神經(jīng)網(wǎng)絡(luò)
• 8.7 深度學(xué)習(xí)
• 8.6.5 用于時(shí)空數(shù)據(jù)的馬爾可夫網(wǎng)絡(luò)
• 8.6.4 用于時(shí)空數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)
• 8.6.3 馬爾可夫隨機(jī)場(chǎng)
• 8.6.2 貝葉斯網(wǎng)絡(luò)
• 8.6.1 一般概念
• 8.6 概率圖模型
• 8.5.3 時(shí)空數(shù)據(jù)的張量分解
• 8.5.2 張量分解方法
• 8.5.1 張量的基本概念
• 8.5 張量分解
• 8.4.2 時(shí)空數(shù)據(jù)的矩陣分解
• 8.4.1 基本矩陣分解方法
• 8.4 矩陣分解
• 8.3.2 時(shí)空數(shù)據(jù)的協(xié)同過濾
• 8.3.1 基本模型：基于用戶和基于物品
• 8.3 協(xié)同過濾
• 8.2.2 時(shí)間屬性
• 8.2.1 空間屬性
• 8.2 時(shí)空數(shù)據(jù)的獨(dú)特性質(zhì)
• 8.1 引言
• 第8章 用于時(shí)空數(shù)據(jù)的高級(jí)機(jī)器學(xué)習(xí)技術(shù)
• 參考文獻(xiàn)
• 7.8 總結(jié)
• 7.7.2 基于統(tǒng)計(jì)的異常值檢測(cè)
• 7.7.1 基于鄰近性的異常值檢測(cè)
• 7.7 異常值檢測(cè)
• 7.6.3 回歸樹
• 7.6.2 自回歸
• 7.6.1 線性回歸
• 7.6 回歸
• 7.5.5 不平衡數(shù)據(jù)的分類
• 7.5.4 支持向量機(jī)
• 7.5.3 決策樹
• 7.5.2 樸素貝葉斯分類法
• 7.5.1 概念
• 7.5 分類
• 7.4.4 層次聚類方法
• 7.4.3 密度聚類方法
• 7.4.2 劃分聚類方法
• 7.4.1 概念
• 7.4 聚類
• 7.3.4 頻繁子圖模式挖掘
• 7.3.3 序列模式挖掘
• 7.3.2 頻繁項(xiàng)集挖掘方法
• 7.3.1 基本概念
• 7.3 頻繁模式挖掘和關(guān)聯(lián)規(guī)則
• 7.2.3 數(shù)據(jù)集成
• 7.2.2 數(shù)據(jù)轉(zhuǎn)換
• 7.2.1 數(shù)據(jù)清洗
• 7.2 數(shù)據(jù)預(yù)處理
• 7.1.2 數(shù)據(jù)挖掘與相關(guān)技術(shù)之間的關(guān)系
• 7.1.1 數(shù)據(jù)挖掘的一般框架
• 7.1 引言
• 第7章 城市數(shù)據(jù)的基本數(shù)據(jù)挖掘技術(shù)
• 第四部分 城市數(shù)據(jù)分析
• 6.5 總結(jié)
• 6.4 城市大數(shù)據(jù)平臺(tái)
• 6.3.3 管理基于網(wǎng)絡(luò)的時(shí)空動(dòng)態(tài)數(shù)據(jù)
• 6.3.2 管理基于網(wǎng)絡(luò)的空間靜態(tài)時(shí)間動(dòng)態(tài)數(shù)據(jù)
• 6.3.1 管理時(shí)空靜態(tài)網(wǎng)絡(luò)
• 6.3 管理基于網(wǎng)絡(luò)的數(shù)據(jù)
• 6.2.3 管理基于點(diǎn)的時(shí)空動(dòng)態(tài)數(shù)據(jù)
• 6.2.2 管理基于點(diǎn)的空間靜態(tài)時(shí)間動(dòng)態(tài)數(shù)據(jù)
• 6.2.1 管理基于點(diǎn)的時(shí)空靜態(tài)數(shù)據(jù)
• 6.2 管理基于點(diǎn)的數(shù)據(jù)
• 6.1.2 云上的通用數(shù)據(jù)管理方案
• 6.1.1 挑戰(zhàn)
• 6.1 引言
• 第6章 在云端管理時(shí)空數(shù)據(jù)
• 參考文獻(xiàn)
• 5.5 總結(jié)
• 5.4.3 API應(yīng)用
• 5.4.2 移動(dòng)應(yīng)用
• 5.4.1 Web應(yīng)用
• 5.4 應(yīng)用
• 5.3.3 HDInsight
• 5.3.2 云服務(wù)
• 5.3.1 虛擬機(jī)
• 5.3 計(jì)算
• 5.2.3 Redis緩存
• 5.2.2 Azure存儲(chǔ)
• 5.2.1 SQL數(shù)據(jù)庫
• 5.2 存儲(chǔ)
• 5.1 引言
• 第5章 云計(jì)算導(dǎo)論
• 參考文獻(xiàn)
• 4.6 總結(jié)
• 4.5.3 管理多個(gè)數(shù)據(jù)集的索引
• 4.5.2 空間關(guān)鍵詞
• 4.5.1 查詢和動(dòng)機(jī)
• 4.5 管理多個(gè)數(shù)據(jù)集的混合索引
• 4.4.3 軌跡數(shù)據(jù)管理
• 4.4.2 移動(dòng)對(duì)象數(shù)據(jù)庫
• 4.4.1 管理空間靜態(tài)時(shí)間動(dòng)態(tài)數(shù)據(jù)
• 4.4 時(shí)空數(shù)據(jù)管理
• 4.3.4 基于R樹的空間索引
• 4.3.3 基于k-d樹的空間索引
• 4.3.2 基于四叉樹的空間索引
• 4.3.1 基于網(wǎng)格的空間索引
• 4.3 空間數(shù)據(jù)管理
• 4.2.6 基于網(wǎng)絡(luò)的時(shí)空數(shù)據(jù)
• 4.2.5 基于網(wǎng)絡(luò)的空間時(shí)間序列數(shù)據(jù)
• 4.2.4 基于網(wǎng)絡(luò)的空間靜態(tài)數(shù)據(jù)
• 4.2.3 基于點(diǎn)的時(shí)空數(shù)據(jù)
• 4.2.2 基于點(diǎn)的空間時(shí)間序列數(shù)據(jù)
• 4.2.1 基于點(diǎn)的空間靜態(tài)數(shù)據(jù)
• 4.2 數(shù)據(jù)結(jié)構(gòu)
• 4.1.4 檢索算法
• 4.1.3 索引
• 4.1.2 查詢
• 4.1.1 數(shù)據(jù)結(jié)構(gòu)
• 4.1 引言
• 第4章 時(shí)空數(shù)據(jù)管理
• 第三部分 城市數(shù)據(jù)管理
• 參考文獻(xiàn)
• 3.5 總結(jié)
• 3.4.4 時(shí)空模型
• 3.4.3 時(shí)間模型
• 3.4.2 空間模型
• 3.4.1 問題與挑戰(zhàn)
• 3.4 補(bǔ)充缺失值
• 3.3.2 參與者招募與任務(wù)設(shè)計(jì)
• 3.3.1 數(shù)據(jù)評(píng)估
• 3.3 以人為中心的城市感知
• 3.2.4 最小化不確定性
• 3.2.3 學(xué)習(xí)排序候選位置
• 3.2.2 最大化覆蓋范圍
• 3.2.1 尋找最佳匯合點(diǎn)
• 3.2 傳感器和設(shè)施部署
• 3.1.2 城市感知的一般框架
• 3.1.1 城市感知的四種范式
• 3.1 引言
• 第3章 城市感知
• 第二部分 城市感知與數(shù)據(jù)采集
• 參考文獻(xiàn)
• 2.9 總結(jié)
• 2.8.2 預(yù)測(cè)人群流動(dòng)
• 2.8.1 檢測(cè)城市異常
• 2.8 用于公共安全和保障的城市計(jì)算
• 2.7.2 優(yōu)化城市物流
• 2.7.1 商業(yè)位置選擇
• 2.7 用于經(jīng)濟(jì)服務(wù)的城市計(jì)算
• 2.6.3 位置推薦
• 2.6.2 理解基于位置的社交網(wǎng)絡(luò)中的用戶
• 2.6.1 基于位置的社交網(wǎng)絡(luò)概念
• 2.6 用于社交應(yīng)用的城市計(jì)算
• 2.5.2 電力消耗
• 2.5.1 汽油消耗
• 2.5 用于城市能源消耗的城市計(jì)算
• 2.4.3 城市水資源
• 2.4.2 噪聲污染
• 2.4.1 空氣質(zhì)量
• 2.4 用于環(huán)境的城市計(jì)算
• 2.3.5 自行車共享系統(tǒng)
• 2.3.4 地鐵服務(wù)
• 2.3.3 改善公交服務(wù)
• 2.3.2 改善出租車服務(wù)
• 2.3.1 改善駕駛體驗(yàn)
• 2.3 用于交通系統(tǒng)的城市計(jì)算
• 2.2.4 設(shè)施和資源部署
• 2.2.3 檢測(cè)城市邊界
• 2.2.2 發(fā)現(xiàn)功能區(qū)域
• 2.2.1 揭示交通網(wǎng)絡(luò)中的潛在問題
• 2.2 用于城市規(guī)劃的城市計(jì)算
• 2.1 引言
• 第2章 城市計(jì)算應(yīng)用
• 參考文獻(xiàn)
• 1.6 公共數(shù)據(jù)集
• 1.5.10 醫(yī)療保健
• 1.5.9 經(jīng)濟(jì)
• 1.5.8 能源
• 1.5.7 社交網(wǎng)絡(luò)數(shù)據(jù)
• 1.5.6 環(huán)境監(jiān)測(cè)數(shù)據(jù)
• 1.5.5 通勤數(shù)據(jù)
• 1.5.4 移動(dòng)電話數(shù)據(jù)
• 1.5.3 道路網(wǎng)絡(luò)上的交通數(shù)據(jù)
• 1.5.2 地理數(shù)據(jù)
• 1.5.1 城市數(shù)據(jù)的分類
• 1.5 城市數(shù)據(jù)
• 1.4.4 城市服務(wù)挑戰(zhàn)
• 1.4.3 城市數(shù)據(jù)分析挑戰(zhàn)
• 1.4.2 城市數(shù)據(jù)管理挑戰(zhàn)
• 1.4.1 城市感知挑戰(zhàn)
• 1.4 城市計(jì)算的關(guān)鍵挑戰(zhàn)
• 1.3.2 各層功能
• 1.3.1 簡(jiǎn)述和示例
• 1.3 總體框架
• 1.2 城市計(jì)算的定義
• 1.1 引言
• 第1章 概述
• 第一部分 概念和框架
• 關(guān)于作者
• 致謝
• 前言
• 譯者序
• 插圖
• 作者簡(jiǎn)介
• 版權(quán)信息
• 封面

• 封面
• 版權(quán)信息
• 作者簡(jiǎn)介
• 插圖
• 譯者序
• 前言
• 致謝
• 關(guān)于作者
• 第一部分 概念和框架
• 第1章 概述
• 1.1 引言
• 1.2 城市計(jì)算的定義
• 1.3 總體框架
• 1.3.1 簡(jiǎn)述和示例
• 1.3.2 各層功能
• 1.4 城市計(jì)算的關(guān)鍵挑戰(zhàn)
• 1.4.1 城市感知挑戰(zhàn)
• 1.4.2 城市數(shù)據(jù)管理挑戰(zhàn)
• 1.4.3 城市數(shù)據(jù)分析挑戰(zhàn)
• 1.4.4 城市服務(wù)挑戰(zhàn)
• 1.5 城市數(shù)據(jù)
• 1.5.1 城市數(shù)據(jù)的分類
• 1.5.2 地理數(shù)據(jù)
• 1.5.3 道路網(wǎng)絡(luò)上的交通數(shù)據(jù)
• 1.5.4 移動(dòng)電話數(shù)據(jù)
• 1.5.5 通勤數(shù)據(jù)
• 1.5.6 環(huán)境監(jiān)測(cè)數(shù)據(jù)
• 1.5.7 社交網(wǎng)絡(luò)數(shù)據(jù)
• 1.5.8 能源
• 1.5.9 經(jīng)濟(jì)
• 1.5.10 醫(yī)療保健
• 1.6 公共數(shù)據(jù)集
• 參考文獻(xiàn)
• 第2章 城市計(jì)算應(yīng)用
• 2.1 引言
• 2.2 用于城市規(guī)劃的城市計(jì)算
• 2.2.1 揭示交通網(wǎng)絡(luò)中的潛在問題
• 2.2.2 發(fā)現(xiàn)功能區(qū)域
• 2.2.3 檢測(cè)城市邊界
• 2.2.4 設(shè)施和資源部署
• 2.3 用于交通系統(tǒng)的城市計(jì)算
• 2.3.1 改善駕駛體驗(yàn)
• 2.3.2 改善出租車服務(wù)
• 2.3.3 改善公交服務(wù)
• 2.3.4 地鐵服務(wù)
• 2.3.5 自行車共享系統(tǒng)
• 2.4 用于環(huán)境的城市計(jì)算
• 2.4.1 空氣質(zhì)量
• 2.4.2 噪聲污染
• 2.4.3 城市水資源
• 2.5 用于城市能源消耗的城市計(jì)算
• 2.5.1 汽油消耗
• 2.5.2 電力消耗
• 2.6 用于社交應(yīng)用的城市計(jì)算
• 2.6.1 基于位置的社交網(wǎng)絡(luò)概念
• 2.6.2 理解基于位置的社交網(wǎng)絡(luò)中的用戶
• 2.6.3 位置推薦
• 2.7 用于經(jīng)濟(jì)服務(wù)的城市計(jì)算
• 2.7.1 商業(yè)位置選擇
• 2.7.2 優(yōu)化城市物流
• 2.8 用于公共安全和保障的城市計(jì)算
• 2.8.1 檢測(cè)城市異常
• 2.8.2 預(yù)測(cè)人群流動(dòng)
• 2.9 總結(jié)
• 參考文獻(xiàn)
• 第二部分 城市感知與數(shù)據(jù)采集
• 第3章 城市感知
• 3.1 引言
• 3.1.1 城市感知的四種范式
• 3.1.2 城市感知的一般框架
• 3.2 傳感器和設(shè)施部署
• 3.2.1 尋找最佳匯合點(diǎn)
• 3.2.2 最大化覆蓋范圍
• 3.2.3 學(xué)習(xí)排序候選位置
• 3.2.4 最小化不確定性
• 3.3 以人為中心的城市感知
• 3.3.1 數(shù)據(jù)評(píng)估
• 3.3.2 參與者招募與任務(wù)設(shè)計(jì)
• 3.4 補(bǔ)充缺失值
• 3.4.1 問題與挑戰(zhàn)
• 3.4.2 空間模型
• 3.4.3 時(shí)間模型
• 3.4.4 時(shí)空模型
• 3.5 總結(jié)
• 參考文獻(xiàn)
• 第三部分 城市數(shù)據(jù)管理
• 第4章 時(shí)空數(shù)據(jù)管理
• 4.1 引言
• 4.1.1 數(shù)據(jù)結(jié)構(gòu)
• 4.1.2 查詢
• 4.1.3 索引
• 4.1.4 檢索算法
• 4.2 數(shù)據(jù)結(jié)構(gòu)
• 4.2.1 基于點(diǎn)的空間靜態(tài)數(shù)據(jù)
• 4.2.2 基于點(diǎn)的空間時(shí)間序列數(shù)據(jù)
• 4.2.3 基于點(diǎn)的時(shí)空數(shù)據(jù)
• 4.2.4 基于網(wǎng)絡(luò)的空間靜態(tài)數(shù)據(jù)
• 4.2.5 基于網(wǎng)絡(luò)的空間時(shí)間序列數(shù)據(jù)
• 4.2.6 基于網(wǎng)絡(luò)的時(shí)空數(shù)據(jù)
• 4.3 空間數(shù)據(jù)管理
• 4.3.1 基于網(wǎng)格的空間索引
• 4.3.2 基于四叉樹的空間索引
• 4.3.3 基于k-d樹的空間索引
• 4.3.4 基于R樹的空間索引
• 4.4 時(shí)空數(shù)據(jù)管理
• 4.4.1 管理空間靜態(tài)時(shí)間動(dòng)態(tài)數(shù)據(jù)
• 4.4.2 移動(dòng)對(duì)象數(shù)據(jù)庫
• 4.4.3 軌跡數(shù)據(jù)管理
• 4.5 管理多個(gè)數(shù)據(jù)集的混合索引
• 4.5.1 查詢和動(dòng)機(jī)
• 4.5.2 空間關(guān)鍵詞
• 4.5.3 管理多個(gè)數(shù)據(jù)集的索引
• 4.6 總結(jié)
• 參考文獻(xiàn)
• 第5章 云計(jì)算導(dǎo)論
• 5.1 引言
• 5.2 存儲(chǔ)
• 5.2.1 SQL數(shù)據(jù)庫
• 5.2.2 Azure存儲(chǔ)
• 5.2.3 Redis緩存
• 5.3 計(jì)算
• 5.3.1 虛擬機(jī)
• 5.3.2 云服務(wù)
• 5.3.3 HDInsight
• 5.4 應(yīng)用
• 5.4.1 Web應(yīng)用
• 5.4.2 移動(dòng)應(yīng)用
• 5.4.3 API應(yīng)用
• 5.5 總結(jié)
• 參考文獻(xiàn)
• 第6章 在云端管理時(shí)空數(shù)據(jù)
• 6.1 引言
• 6.1.1 挑戰(zhàn)
• 6.1.2 云上的通用數(shù)據(jù)管理方案
• 6.2 管理基于點(diǎn)的數(shù)據(jù)
• 6.2.1 管理基于點(diǎn)的時(shí)空靜態(tài)數(shù)據(jù)
• 6.2.2 管理基于點(diǎn)的空間靜態(tài)時(shí)間動(dòng)態(tài)數(shù)據(jù)
• 6.2.3 管理基于點(diǎn)的時(shí)空動(dòng)態(tài)數(shù)據(jù)
• 6.3 管理基于網(wǎng)絡(luò)的數(shù)據(jù)
• 6.3.1 管理時(shí)空靜態(tài)網(wǎng)絡(luò)
• 6.3.2 管理基于網(wǎng)絡(luò)的空間靜態(tài)時(shí)間動(dòng)態(tài)數(shù)據(jù)
• 6.3.3 管理基于網(wǎng)絡(luò)的時(shí)空動(dòng)態(tài)數(shù)據(jù)
• 6.4 城市大數(shù)據(jù)平臺(tái)
• 6.5 總結(jié)
• 第四部分 城市數(shù)據(jù)分析
• 第7章 城市數(shù)據(jù)的基本數(shù)據(jù)挖掘技術(shù)
• 7.1 引言
• 7.1.1 數(shù)據(jù)挖掘的一般框架
• 7.1.2 數(shù)據(jù)挖掘與相關(guān)技術(shù)之間的關(guān)系
• 7.2 數(shù)據(jù)預(yù)處理
• 7.2.1 數(shù)據(jù)清洗
• 7.2.2 數(shù)據(jù)轉(zhuǎn)換
• 7.2.3 數(shù)據(jù)集成
• 7.3 頻繁模式挖掘和關(guān)聯(lián)規(guī)則
• 7.3.1 基本概念
• 7.3.2 頻繁項(xiàng)集挖掘方法
• 7.3.3 序列模式挖掘
• 7.3.4 頻繁子圖模式挖掘
• 7.4 聚類
• 7.4.1 概念
• 7.4.2 劃分聚類方法
• 7.4.3 密度聚類方法
• 7.4.4 層次聚類方法
• 7.5 分類
• 7.5.1 概念
• 7.5.2 樸素貝葉斯分類法
• 7.5.3 決策樹
• 7.5.4 支持向量機(jī)
• 7.5.5 不平衡數(shù)據(jù)的分類
• 7.6 回歸
• 7.6.1 線性回歸
• 7.6.2 自回歸
• 7.6.3 回歸樹
• 7.7 異常值檢測(cè)
• 7.7.1 基于鄰近性的異常值檢測(cè)
• 7.7.2 基于統(tǒng)計(jì)的異常值檢測(cè)
• 7.8 總結(jié)
• 參考文獻(xiàn)
• 第8章 用于時(shí)空數(shù)據(jù)的高級(jí)機(jī)器學(xué)習(xí)技術(shù)
• 8.1 引言
• 8.2 時(shí)空數(shù)據(jù)的獨(dú)特性質(zhì)
• 8.2.1 空間屬性
• 8.2.2 時(shí)間屬性
• 8.3 協(xié)同過濾
• 8.3.1 基本模型：基于用戶和基于物品
• 8.3.2 時(shí)空數(shù)據(jù)的協(xié)同過濾
• 8.4 矩陣分解
• 8.4.1 基本矩陣分解方法
• 8.4.2 時(shí)空數(shù)據(jù)的矩陣分解
• 8.5 張量分解
• 8.5.1 張量的基本概念
• 8.5.2 張量分解方法
• 8.5.3 時(shí)空數(shù)據(jù)的張量分解
• 8.6 概率圖模型
• 8.6.1 一般概念
• 8.6.2 貝葉斯網(wǎng)絡(luò)
• 8.6.3 馬爾可夫隨機(jī)場(chǎng)
• 8.6.4 用于時(shí)空數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)
• 8.6.5 用于時(shí)空數(shù)據(jù)的馬爾可夫網(wǎng)絡(luò)
• 8.7 深度學(xué)習(xí)
• 8.7.1 人工神經(jīng)網(wǎng)絡(luò)
• 8.7.2 卷積神經(jīng)網(wǎng)絡(luò)
• 8.7.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
• 8.7.4 用于時(shí)空數(shù)據(jù)的深度學(xué)習(xí)
• 8.8 強(qiáng)化學(xué)習(xí)
• 8.8.1 強(qiáng)化學(xué)習(xí)的概念
• 8.8.2 表格動(dòng)作值方法
• 8.8.3 近似方法
• 8.9 總結(jié)
• 參考文獻(xiàn)
• 第9章 跨領(lǐng)域知識(shí)融合
• 9.1 引言
• 9.1.1 與傳統(tǒng)數(shù)據(jù)集成的關(guān)系
• 9.1.2 與異構(gòu)信息網(wǎng)絡(luò)的關(guān)系
• 9.2 基于階段的知識(shí)融合
• 9.3 基于特征的知識(shí)融合
• 9.3.1 特征連接與正則化
• 9.3.2 基于深度學(xué)習(xí)的知識(shí)融合
• 9.4 基于語義意義的知識(shí)融合
• 9.4.1 基于多視圖的知識(shí)融合
• 9.4.2 基于相似性的知識(shí)融合
• 9.4.3 基于概率依賴的知識(shí)融合
• 9.4.4 基于遷移學(xué)習(xí)的知識(shí)融合
• 9.5 不同融合方法的比較
• 9.5.1 數(shù)據(jù)集的體積、特征和洞察
• 9.5.2 機(jī)器學(xué)習(xí)任務(wù)的目標(biāo)
• 9.5.3 機(jī)器學(xué)習(xí)算法的學(xué)習(xí)方法
• 9.5.4 效率和可擴(kuò)展性
• 9.6 總結(jié)
• 參考文獻(xiàn)
• 第10章 城市數(shù)據(jù)分析的高級(jí)主題
• 10.1 如何選擇有用的數(shù)據(jù)集
• 10.1.1 理解目標(biāo)問題
• 10.1.2 數(shù)據(jù)背后的信息
• 10.1.3 驗(yàn)證假設(shè)
• 10.2 軌跡數(shù)據(jù)挖掘
• 10.2.1 軌跡數(shù)據(jù)
• 10.2.2 軌跡預(yù)處理
• 10.2.3 軌跡數(shù)據(jù)管理
• 10.2.4 軌跡中的不確定性
• 10.2.5 軌跡模式挖掘
• 10.2.6 軌跡分類
• 10.2.7 從軌跡中檢測(cè)異常
• 10.2.8 將軌跡轉(zhuǎn)換到其他表示形式
• 10.3 將機(jī)器學(xué)習(xí)與數(shù)據(jù)管理相結(jié)合
• 10.3.1 動(dòng)機(jī)
• 10.3.2 使用索引結(jié)構(gòu)加速機(jī)器學(xué)習(xí)
• 10.3.3 縮減機(jī)器學(xué)習(xí)的候選對(duì)象
• 10.3.4 導(dǎo)出邊界以修剪機(jī)器學(xué)習(xí)的計(jì)算空間
• 10.4 交互式視覺數(shù)據(jù)分析
• 10.4.1 合并多個(gè)復(fù)雜因素
• 10.4.2 在沒有先驗(yàn)知識(shí)的情況下調(diào)整參數(shù)
• 10.4.3 深入挖掘結(jié)果
• 10.5 總結(jié)
• 參考文獻(xiàn)
• 推薦閱讀
• 譯者簡(jiǎn)介
• 封底 更新時(shí)間：2025-06-05 13:51:23