本书为数据科学领域的技术人员提供了一套详尽的模式，可用于任何基于机器学习的数据分析任务。通过学习这些方法，你至少能找到一种更为有效的模式，并且获得优于传统分析方法的整体系统行为。“元”分析可谓关于“分析”的“分析”，为了理解这种混合方法或元方法，书中必不可少地详述了常规分析方法的技术细节，在此基础上帮助读者理解并应用元分析模式。本书适合从事数据分析、预测和挖掘的技术人员阅读，涵盖机器翻译、机器人技术、生物和社会科学、医疗卫生信息学、经济学、商业和金融、警务以及体育赛事分析等领域。
译者序
致谢
第1章 概述和应用1
1.1 引言1
1.2 本书为什么重要2
1.3 本书的组织结构3
1.4 信息学3
1.5 分析统计学4
1.5.1 值和方差4
1.5.2 样本和总体检验5
1.5.3 回归和估计7
1.6 分析算法12
1.6.1 k均值和k近邻聚类12
1.6.2 反聚类14
1.6.3 马尔可夫模型14
1.7 机器学习16
1.7.1 熵16
1.7.2 支持向量机和核函数18
1.7.3 概率18
1.7.4 降维和信息增益20
1.7.5 优化和搜索21
1.7.6 数据挖掘和知识发现22
1.7.7 识别23
1.7.8 集成学习24
1.8 人工智能25
1.8.1 遗传算法26
1.8.2 神经网络30
1.8.3 免疫算法35
1.9 一个从头开始构建分类器的平台（二分类）37
1.10 一个从头开始构建分类器的平台（一般情况）43
1.10.1 训练和验证43
1.10.2 测试和部署49
1.10.3 比较训练和测试数据集上的结果62
1.11 本章小结63
参考文献64
扩展阅读64
第2章 获取真值65
2.1 引言65
2.2 预验证66
2.3 根据训练数据优化设置72
2.4 学习如何学习76
2.5 从深度学习到深度反学习82
2.6 本章小结82
参考文献83
第3章 实验设计85
3.1 引言85
3.2 数据归一化86
3.2.1 简单的归一化86
3.2.2 偏差归一化87
3.2.3 归一化和实验设计表90
3.3 剪枝老化数据的设计91
3.4 系统之系统93
3.4.1 系统93
3.4.2 混合系统94
3.4.3 动态更新的系统95
3.4.4 接口95
3.4.5 增益95
3.4.6 领域归一化97
3.4.7 灵敏度分析98
3.5 本章小结99
参考文献99
第4章 元分析设计模式100
4.1 引言100
4.2 累积响应模式101
4.2.1 识别感兴趣的区域102
4.2.2 面向序列相关的预测性选择的感兴趣的区域104
4.2.3 传统的累积增益曲线105
4.3 分析的优化111
4.3.1 决策树111
4.3.2 假定身份触发模式112
4.3.3 期望化和-小模式113
4.4 模型一致性模式116
4.4.1 混合回归117
4.4.2 建模和模型拟合117
4.5 共现和相似性模式118
4.6 灵敏度分析模式119
4.7 混淆矩阵模式120
4.8 熵模式121
4.9 独立模式124
4.10 功能式NLP模式（宏观反馈）127
4.11 本章小结127
参考文献129
第5章 灵敏度分析和大型系统工程130
5.1 引言130
5.2 数据集本身的灵敏度分析132
5.3 解决方案模型的灵敏度分析135
5.4 单个算法的灵敏度分析136
5.5 混合算法的灵敏度分析137
5.6 到当前状态的路径的灵敏度分析138
5.7 本章小结140
参考文献141
第6章 多面预测性选择142
6.1 引言142
6.2 预测性选择142
6.3 预测方法143
6.4 选择方法144
6.5 多路径方法149
6.6 应用151
6.7 灵敏度分析151
6.8 本章小结151
参考文献152
第7章 建模和模型拟合153
7.1 引言153
7.2 用于分析的化学类比154
7.3 用于分析的有机化学类比156
7.4 用于分析的免疫学和生物学类比157
7.5 用于模型设计和拟合的匿名化类比159
7.6 小平方误差、误差方差和熵：拟合优度159
7.7 创建属于自己的多个模型160
7.8 本章小结161
参考文献161
第8章 同义词-反义词模式和强化-无效化模式162
8.1 引言162
8.2 同义词-反义词模式163
8.3 强化-无效化模式164
8.4 各种模式的广泛适用性167
8.5 本章小结167
参考文献168
扩展阅读168
第9章 关于分析的分析169
9.1 引言169
9.2 关于分析的分析170
9.2.1 熵与出现向量170
9.2.2 功能指标173
9.2.3 期望化方法174
9.2.4 系统设计的注意事项175
9.3 根据训练数据优化设置175
9.4 混合方法176
9.5 关于分析的其他探索领域177
9.6 本章小结178
参考文献178
扩展阅读179
第10章 系统设计优化180
10.1 引言180
10.1.1 系统考量—重新审视系统增益181
10.1.2 系统增益—重新审视和扩大系统偏差182
10.1.3 投资与回报185
10.2 模块优化185
10.3 聚类与正则化186
10.3.1 平方和正则化189
10.3.2 方差正则化189
10.3.3 簇大小正则化190
10.3.4 小型簇正则化191
10.3.5 簇数量正则化191
10.3.6 对正则化方法的讨论192
10.4 分析系统的优化192
10.5 本章小结193
参考文献193
第11章 射幸技术和专家系统技术194
11.1 引言194
11.2 两种射幸模式回顾195
11.2.1 特征射幸模式的依次移除195
11.2.2 特征输出射幸模式的时序变化198
11.3 为测试添加随机元素199
11.4 高光谱射幸方法201
11.5 机器学习和统计学习中的其他射幸应用202
11.6 专家系统技术202
11.7 本章小
书单推荐
