时间序列分析一直是研究的热点,在很多场景都有应用。近期,IntechOpen发布一本由Chun-Kit Ngan编辑众多领域专家撰写的新书《Time Series Analysis:Data, Methods, and Applications》,总共六章,110页pdf,提供了时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面,是值的关注的一本书。

本书旨在为读者提供时间序列分析的当前信息、发展和趋势,特别是在时间序列数据模式、技术方法和实际应用方面。本书分为三节,每节包括两章。第一部分讨论了多元时间序列和模糊时间序列的分析。第2节着重于开发用于时间序列预测和分类的深度神经网络。第3节描述了如何使用时间序列技术解决实际领域的特定问题。本书包含的概念和技术涵盖了时间序列研究的主题,学生、研究人员、实践者和教授将对时间序列预测和分类、数据分析、机器学习、深度学习和人工智能感兴趣。

目录:

  • 第一章:Process Fault Diagnosis for Continuous Dynamic Systems Over Multivariate Time Series (多变量时间序列上连续动态系统的过程故障诊断)
  • 第二章:Fuzzy Forecast Based on Fuzzy Time Series (基于模糊时间序列的模糊预测)
  • 第三章:Training Deep Neural Networks with Reinforcement Learning for Time Series Forecasting (利用强化学习训练深度神经网络进行时间序列预测)
  • 第四章:CNN Approaches for Time Series Classification (CNN方法用于时间序列分类)
  • 第五章:Forecasting Shrimp and Fish Catch in Chilika Lake over Time Series Analysis (通过时间序列分析,预测了赤喀湖虾、鱼的捕捞量)
  • 第六章:Using Gray-Markov Model and Time Series Model to Predict Foreign Direct Investment Trend for Supporting China’s Economic Development (利用Gray马尔可夫模型和时间序列模型预测支持中国经济发展的外商直接投资趋势)
成为VIP会员查看完整内容
0
70

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

这本受欢迎的教科书的第一版,当代人工智能,提供了一个学生友好的人工智能介绍。这一版完全修订和扩大更新,人工智能: 介绍机器学习,第二版,保留相同的可访问性和解决问题的方法,同时提供新的材料和方法。

该书分为五个部分,重点介绍了人工智能中最有用的技术。书的第一部分涵盖了基于逻辑的方法,而第二部分着重于基于概率的方法。第三部分是涌现智能的特点,探讨了基于群体智能的进化计算和方法。接下来的最新部分将提供神经网络和深度学习的详细概述。书的最后一部分着重于自然语言的理解。

适合本科生和刚毕业的研究生,本课程测试教材为学生和其他读者提供关键的人工智能方法和算法,以解决具有挑战性的问题,涉及系统的智能行为在专门领域,如医疗和软件诊断,金融决策,语音和文本识别,遗传分析等。

https://www.routledge.com/Artificial-Intelligence-With-an-Introduction-to-Machine-Learning-Second/Neapolitan-Jiang/p/book/9781138502383

成为VIP会员查看完整内容
0
77

自动驾驶一直是人工智能应用中最活跃的领域。几乎在同一时间,深度学习的几位先驱取得了突破,其中三位(也被称为深度学习之父)Hinton、Bengio和LeCun获得了2019年ACM图灵奖。这是一项关于采用深度学习方法的自动驾驶技术的综述。我们研究了自动驾驶系统的主要领域,如感知、地图和定位、预测、规划和控制、仿真、V2X和安全等。由于篇幅有限,我们将重点分析几个关键领域,即感知中的二维/三维物体检测、摄像机深度估计、数据、特征和任务级的多传感器融合、车辆行驶和行人轨迹的行为建模和预测。

https://arxiv.org/abs/2006.06091

成为VIP会员查看完整内容
1
23

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
40

这个可访问的文本/参考提供了从工程角度对概率图模型(PGMs)的一般介绍。这本书涵盖了每一个PGMs的主要类的基础知识,包括表示、推理和学习原则,并回顾了每种类型模型的实际应用。这些应用来自广泛的学科领域,突出了贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态和时态贝叶斯网络、马尔可夫随机域、影响图和马尔可夫决策过程的多种用途。

提出了一个统一的框架,包括所有的主要类别的PGMs;描述不同技术的实际应用;检视该领域的最新发展,包括多维贝叶斯分类器、相关图模型和因果模型;在每一章的结尾提供练习,进一步阅读的建议,和研究或编程项目的想法。

成为VIP会员查看完整内容
0
48

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
102

近几十年来,数据缺失的问题引起了广泛关注。这个新版本由两个公认的专家在这个问题上提供了一个最新的实用方法处理缺失数据问题。将理论与应用相结合,作者Roderick Little和Donald Rubin回顾了该主题的历史方法,并描述了缺失值的多元分析的简单方法。然后,他们提供了一个连贯的理论来分析基于概率的问题,这些概率来自于数据的统计模型和缺失数据的机制,然后他们将该理论应用到广泛的重要缺失数据的问题。

统计分析与缺失的数据,第三版开始给读者介绍缺失数据和解决它的方法。它查看创建丢失数据的模式和机制,以及丢失数据的分类。然后,在讨论完整案例分析和可用案例分析(包括加权方法)之前,对实验中缺失的数据进行检查。新版本扩大了它的覆盖面,包括最近的工作,如不响应抽样调查,因果推理,诊断方法,灵敏度分析,在许多其他主题。

  • 一个更新的“经典”由著名的权威写的主题
  • 超过150个练习(包括许多新的)
  • 介绍了最近的一些重要方法的研究工作,如多重归算、加权的稳健替代方法和贝叶斯方法
  • 根据过去的学生反馈和课堂经验修改以前的主题
  • 包含一个更新和扩展的书目

2017年,国际统计研究所(International Statistical Institute)将卡尔·皮尔森奖(Karl Pearson Prize)授予了这两位作者,以表彰他们对统计理论、方法或应用产生深远影响的研究贡献。

第三版统计分析缺失的数据,是一个理想的教科书,为本科高年级和/或刚开始研究生水平的学科学生。它也是一个优秀的信息来源,为应用统计学家和在政府行业的从业人员提供参考。

成为VIP会员查看完整内容
0
45

简介: 近年来,生命科学和数据科学已经融合。机器人技术和自动化技术的进步使化学家和生物学家能够生成大量数据。与20年前的整个职业生涯相比,如今的科学家每天能够产生更多的数据。快速生成数据的能力也带来了许多新的科学挑战。我们不再处于可以通过将数据加载到电子表格中并制作几个图表来对其进行处理的时代。为了从这些数据集中提取科学知识,我们必须能够识别和提取非显而易见的关系。近年来,作为识别数据模式和关系的强大工具而出现的一种技术是深度学习,它是一类算法,它彻底改变了解决诸如图像分析,语言翻译和语音识别等问题的方法。深度学习算法擅长识别和利用大型数据集中的模式。由于这些原因,深度学习在生命科学学科中具有广泛的应用。本书概述了深度学习如何应用于遗传学,药物发现和医学诊断等多个领域。我们描述的许多示例都附带有代码示例,这些示例为方法提供了实用的介绍,并为读者提供了以后进行研究和探索的起点。

该书中代码地址:https://github.com/deepchem/DeepLearningLifeSciences

目录:

  • 生命科学
  • 深度学习介绍
  • 机器学习与深化
  • 分子与机器学习
  • 生物机器学习
  • 基因组学与深度学习
  • 显微学与机器学习
  • 医药学与深度学习
  • 生成模型
  • 深度模型的解释
  • 预测模型
  • 展望
成为VIP会员查看完整内容
0
29

贝叶斯网络(Bayesian networks,BN)最近在众多领域中引发了兴趣,参与了许多不同的应用,包括经济、风险分析、资产和负债管理、人工智能和机器人、交通系统规划和优化、政治学分析、法律和法医科学评估、药理学和药物基因组学、系统生物学和代谢组学、心理学和政策制定和社会方案评价等。这种强烈的响应可以看出,结构和过程的概率贝叶斯模型是可靠的和稳定的因果关系的表示。与传统的频率统计方法相比,BN通过合并新的数据而获得增量或纵向改进的能力提供了额外的优势。本书的参与者阐明了BN这些方面的各种新的进展。

下载地址:链接: https://pan.baidu.com/s/16ZKifEDhWp-vmy1R_6C02w 提取码: 7gnx

  • 第一章 Introductory Chapter: Timeliness of Advantages of Bayesian Networks By Douglas S. McNair
  • 第二章 An Economic Growth Model Using Hierarchical Bayesian Method By Nur Iriawan and Septia Devi Prihastuti Yasmirullah
  • 第三章 Bayesian Networks for Decision-Making and Causal Analysis under Uncertainty in Aviation
  • 第四章 Using Bayesian Networks for Risk Assessment in Healthcare System
  • 第五章 Continuous Learning of the Structure of Bayesian Networks: A Mapping Study
  • 第六章 Multimodal Bayesian Network for Artificial Perception
  • 第七章 Quantitative Structure-Activity Relationship Modeling and Bayesian Networks: Optimality of Naive Bayes Model
  • 第八章 Bayesian Graphical Model Application for Monetary Policy and Macroeconomic Performance in Nigeria
成为VIP会员查看完整内容
0
72
小贴士
相关资讯
相关论文
A survey on Semi-, Self- and Unsupervised Techniques in Image Classification
Lars Schmarje,Monty Santarossa,Simon-Martin Schröder,Reinhard Koch
48+阅读 · 2月20日
Bernhard Schölkopf
4+阅读 · 2019年11月24日
Deep Learning for Energy Markets
Michael Polson,Vadim Sokolov
3+阅读 · 2019年4月10日
Borja Ibarz,Jan Leike,Tobias Pohlen,Geoffrey Irving,Shane Legg,Dario Amodei
3+阅读 · 2018年11月15日
Jeremy Howard,Sebastian Ruder
3+阅读 · 2018年5月23日
Ignasi Clavera,Anusha Nagabandi,Ronald S. Fearing,Pieter Abbeel,Sergey Levine,Chelsea Finn
6+阅读 · 2018年3月30日
Jeremy Howard,Sebastian Ruder
4+阅读 · 2018年1月18日
Vladimir Iglovikov,Alexey Shvets
5+阅读 · 2018年1月17日
Top