機器學習技術與實戰(zhàn)：醫(yī)學大數(shù)據(jù)深度應用

CONTENTS
目　　錄
前言
第1章　機器學習基礎1
　1.1　認識機器學習1
1.1.1　機器學習概念1
1.1.2　機器學習與生活4
1.1.3　機器學習與知識6
　1.2　機器學習應用基礎6
1.2.1　事物與維度7
1.2.2　分布與關系9
1.2.3　描繪與預測12
1.2.4　現(xiàn)象與知識13
1.2.5　規(guī)律與因果13
　1.3　機器學習應用系統(tǒng)14
1.3.1　數(shù)據(jù)層14
1.3.2　算法層18
1.3.3　應用層23
1.3.4　經(jīng)驗積累與應用26
　1.4　無限三維嵌套空間假說26
1.4.1　一維空間26
1.4.2　二維空間26
1.4.3　三維空間27
1.4.4　突破三維空間27
1.4.5　五維空間28
1.4.6　六維空間29
　1.5　分數(shù)維度空間30
1.5.1　分數(shù)維度30
1.5.2　自相似性31
1.5.3　無限迭代32
　1.6　不確定論33
　1.7　本章小結34
第2章　數(shù)據(jù)探索35
　2.1　數(shù)據(jù)關系探索36
2.1.1　業(yè)務發(fā)現(xiàn)36
2.1.2　關系發(fā)現(xiàn)38
2.1.3　數(shù)據(jù)質量探索38
2.1.4　數(shù)據(jù)整合42
　2.2　數(shù)據(jù)特征探索43
2.2.1　數(shù)據(jù)的統(tǒng)計學特征43
2.2.2　統(tǒng)計學特征應用50
2.2.3　變量相關性探索53
　2.3　數(shù)據(jù)選擇56
2.3.1　適當?shù)臄?shù)據(jù)規(guī)模57
2.3.2　數(shù)據(jù)的代表性57
2.3.3　數(shù)據(jù)的選取59
　2.4　數(shù)據(jù)處理61
2.4.1　數(shù)據(jù)標準化62
2.4.2　數(shù)據(jù)離散化63
　2.5　本章小結64
第3章　機器學習技術65
　3.1　聚類分析65
3.1.1　劃分聚類（Ｋ均值）66
3.1.2　層次聚類（組平均）70
3.1.3　密度聚類75
　3.2　特性選擇76
3.2.1　特性選擇概念76
3.2.2　線性相關80
3.2.3　相關因子SRCF82
　3.3　特征抽取91
3.3.1　主成分分析91
3.3.2　因子分析93
3.3.3　非負矩陣因子分解94
　3.4　關聯(lián)規(guī)則95
3.4.1　關聯(lián)規(guī)則概念95
3.4.2　Apriori算法96
3.4.3　FP樹頻集97
3.4.4　提升（Lift）97
　3.5　分類和預測98
3.5.1　支持向量機98
3.5.2　Logistic回歸102
3.5.3　樸素貝葉斯分類106
3.5.4　決策樹112
3.5.5　人工神經(jīng)網(wǎng)絡116
3.5.6　分類與聚類的關系119
　3.6　時間序列120
3.6.1　灰色系統(tǒng)預測模型120
3.6.2　ARIMA模型預測126
　3.7　深度學習127
3.7.1　圖像深度學習:卷積神經(jīng)網(wǎng)絡127
3.7.2　自然語言深度學習:循環(huán)神經(jīng)網(wǎng)絡141
　3.8　本章小結145
第4章　機器學習應用案例146
　4.1　特性選擇的應用146
4.1.1　數(shù)據(jù)整合146
4.1.2　數(shù)據(jù)描繪147
4.1.3　數(shù)據(jù)標準化148
4.1.4　特性選擇探索148
　4.2　分類模型的應用——算法比較154
4.2.1　數(shù)據(jù)整合154
4.2.2　數(shù)據(jù)描繪155
4.2.3　數(shù)據(jù)標準化156
4.2.4　特性選擇探索156
4.2.5　分類模型160
　4.3　算法的綜合應用——腫瘤標志物的研究161
4.3.1　樣本選取161
4.3.2　癌胚抗原臨床特征主題分析165
4.3.3　癌胚抗原臨床特征規(guī)則分析169
4.3.4　癌胚抗原臨床特征規(guī)則的比較分析173
4.3.5　癌胚抗原相關因子分析174
4.3.6　不同等級癌胚抗原組差異分析177
　4.4　本章小結180
第5章　機器學習應用系統(tǒng)開發(fā)181
　5.1　IMRS的設計思路181
5.1.1　IMRS核心功能設計182
5.1.2　IMRS主要功能184
5.1.3　IMRS的模塊設計和應用實現(xiàn)185
5.1.4　IMRS的評估方法194
　5.2　機器學習應用系統(tǒng)：IMRS技術設計199
5.2.1　對數(shù)據(jù)源的分析200
5.2.2　IMRS的總體設計203
　5.3　IMRS異常偵測模型的開發(fā)210
5.3.1　異常偵測模型的功能展示211
5.3.2　技術開發(fā)要點214
　5.4　IMRS特征抽取模型的開發(fā)221
5.4.1　特征抽取模型的功能展示221
5.4.2　技術開發(fā)要點221
　5.5　IMRS的算法開發(fā)232
5.5.1　相關因子算法SRCF的實現(xiàn)232
5.5.2　樸素貝葉斯分類算法的實現(xiàn)237
　5.6　本章小結241
第6章　機器學習系統(tǒng)應用（一）：結構數(shù)據(jù)挖掘242
　6.1　分布探索243
6.1.1　兩維度聚類模型應用243
6.1.2　高維度聚類模型應用248
　6.2　關系探索249
6.2.1　關聯(lián)規(guī)則的應用249
6.2.2　特性選擇的應用252
　6.3　特征探索257
6.3.1　不穩(wěn)定心絞痛的特征總結258
6.3.2　動脈硬化性心臟病的臨床特征262
　6.4　異常探索264
6.4.1　生理指標的異常偵測264
6.4.2　異常偵測模型的比較267
　6.5　推測探索268
　6.6　應用系統(tǒng)的高級應用269
6.6.1　異常偵測的高級用法270
6.6.2　關聯(lián)規(guī)則的高級應用274
　6.7　本章小結278
第7章　機器學習系統(tǒng)應用（二）：非結構數(shù)據(jù)挖掘280
　7.1　文本挖掘技術280
7.1.1　文本分詞算法280
7.1.2　文本相似性算法283
7.1.3　文本聚類算法287
7.1.4　文本分類算法290
　7.2　文本數(shù)據(jù)挖掘在醫(yī)學上的應用293
7.2.1　醫(yī)學自然文本挖掘的應用293
7.2.2　醫(yī)學自然文本挖掘的方法294
7.2.3　醫(yī)學自然文本挖掘的相關技術295
7.2.4　醫(yī)學自然文本挖掘系統(tǒng)的實現(xiàn)295
　7.3　文本分詞的實現(xiàn)296
7.3.1　專業(yè)語料庫與分詞算法的結合297
7.3.2　專業(yè)分詞庫的自完善297
　7.4　文本智能搜索298
7.4.1　文本相似性搜索298
7.4.2　文本相關性搜索299
　7.5　文本聚類與分類的應用299
7.5.1　文本聚類應用300
7.5.2　文本分類應用302
　7.6　文本主題提取應用303
　7.7　本章小結305
第8章　基于機器學習的人工智能應用306
　8.1　基于大數(shù)據(jù)和機器學習的人工智能306
8.1.1　廣義大數(shù)據(jù)306
8.1.2　人工智能307
8.1.3　基于大數(shù)據(jù)的人工智能應用308
8.1.4　基于小數(shù)據(jù)的人工智能應用311
　8.2　人工智能的應用：智能醫(yī)學診斷系統(tǒng)314
8.2.1　智能診斷推理機314
8.2.2　臨床智能診斷的實現(xiàn)319
8.2.3　臨床智能診斷的應用321
8.2.4　臨床智能診斷的驗證：基于群體特征的個案臨床評估323
　8.3　混沌人工智能325
8.3.1　混沌理論325
8.3.2　人類大腦的混沌性327
8.3.3　大腦混沌性的應用328
8.3.4　人工智能大腦展望332
　8.4　本章小結333