所有應(yīng)用學(xué)科都有一個共同特點：實踐性。所有科技工作者都有一個共同目標(biāo)：尋找事物的本質(zhì)和變化規(guī)律。在科學(xué)研究中發(fā)現(xiàn)新規(guī)律、在實際生產(chǎn)中探索新工藝、在產(chǎn)品開發(fā)中尋求最佳決策等，試驗是一項重要的實踐活動。試驗會產(chǎn)生大量的數(shù)據(jù)，如何利用數(shù)據(jù)洞悉事物的本質(zhì)，如何構(gòu)建合適的模型刻畫事物的發(fā)展規(guī)律，這就是本書要敘述的主要內(nèi)容�！对囼�

"本書全面系統(tǒng)地闡明了現(xiàn)代多元復(fù)雜數(shù)據(jù)分析理論與方法，反映該專業(yè)國際前沿研究狀況。內(nèi)容包括多元數(shù)據(jù)可視化方法、矩陣代數(shù)、多元分析基本工具、多元統(tǒng)計分布、多元正態(tài)分布理論、多元似然方法、多元統(tǒng)計假設(shè)檢驗、多元數(shù)據(jù)因子降維技術(shù)、主成分分析、因子分析、聚類分析、判別分析、對應(yīng)分析、典型相關(guān)分析、多維標(biāo)度分析、聯(lián)合分析以及高維

本書內(nèi)容包括選題背景；與平臺推薦和評論系統(tǒng)相關(guān)的已有研究成果；基于多模態(tài)數(shù)據(jù)的推薦算法設(shè)計；評論系統(tǒng)中用戶生成圖像對后續(xù)消費(fèi)者決策所產(chǎn)生的影響；未來發(fā)展趨勢。

本書分為8章，內(nèi)容包括時間序列分析的基礎(chǔ)知識、時間序列預(yù)測的常用方法，以及神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測中的應(yīng)用；時間序列異常檢測算法的技術(shù)與框架，如何識別異常的時間點及多種異常檢測方法；時間序列的相似性度量方法、聚類算法；多維時間序列在廣告分析和業(yè)務(wù)運(yùn)維領(lǐng)域的應(yīng)用，利用OLAP技術(shù)對多維時間序列進(jìn)行有效處理，通過根因分析技術(shù)

"本書是“新時代大學(xué)數(shù)學(xué)系列教材”之一。本書內(nèi)容包括概率模型、概率公式、隨機(jī)變量、隨機(jī)向量、數(shù)學(xué)期望和方差、大數(shù)定律和中心極限定理、統(tǒng)計初步、參數(shù)估計、參數(shù)的區(qū)間估計、正態(tài)總體的顯著性檢驗、總體分布和比例的假設(shè)檢驗、線性回歸分析等十二章內(nèi)容，并以工程技術(shù)和科學(xué)研究中廣泛使用的MATLAB及國產(chǎn)軟件北太天元為例,介紹與本

本書以近鄰思想、同步聚類模型及快速同步聚類算法為研究課題，重點研究了基于近鄰圖與單元網(wǎng)格圖的聚類算法、基于近鄰勢與單元網(wǎng)格近鄰勢的聚類算法、快速同步聚類算法、基于Vicsek模型線性版本的同步聚類算法、基于線性加權(quán)Vicsek模型的收縮同步聚類算法、基于分而治之框架與收縮同步聚類算法的多層同步聚類方法和基于ESynC算

這是一套適用于考研基礎(chǔ)階段和強(qiáng)化階段復(fù)習(xí)的專業(yè)備考書.本書為編者基于豐富的一線教學(xué)經(jīng)驗和考研輔導(dǎo)經(jīng)驗，以最新全國碩士研究生招生考試數(shù)學(xué)考試大綱為依據(jù)編寫的一本知識講解題型分析的輔導(dǎo)書，便于考生攜帶和合理的安排備考時間。本書分為兩個分冊：認(rèn)知篇和題型篇，認(rèn)知篇講解基礎(chǔ)知識，題型篇總結(jié)常見題型，考生可以一邊看基礎(chǔ)知識，一邊

本書由李良根據(jù)近期新研究生考試大綱編寫，包含基礎(chǔ)篇和強(qiáng)化篇，考生可用此書進(jìn)行全程概率論學(xué)習(xí)。書籍主要由知識點、例題、解析三部分構(gòu)成，為了讓同學(xué)們更高效學(xué)習(xí)，我們在書中穿插了一些概率論常用定理以及幫助大家理解的推論和注解。

"本書是編者在總結(jié)多年教學(xué)經(jīng)驗的基礎(chǔ)上，為適應(yīng)民辦本科院校教學(xué)和新工科對概率論與數(shù)理統(tǒng)計的需求，按照國家對非數(shù)學(xué)類本科生概率論與數(shù)理統(tǒng)計課程的基本要求編寫的。 全書分為七章：隨機(jī)事件及其概率、隨機(jī)變量及其分布、二維隨機(jī)變量及其分布、隨機(jī)變量的數(shù)字特征、大數(shù)定律和中心極限定理、數(shù)理統(tǒng)計的基本概念、參數(shù)估計。各章配有習(xí)題

"積分嵌套拉普拉斯近似(IntegratedNestedLaplaceApproximations，INLA)是擬合一大類貝葉斯回歸模型的新方法。使用INLA無須抽取邊際后驗分布的樣本，因此在計算上它是貝葉斯推斷標(biāo)準(zhǔn)工具馬爾可夫鏈蒙特卡羅(MCMC)方法的簡單易用的替代方案。本書涵蓋了各種現(xiàn)代回歸模型，著重介紹了如何使