机器学习技术与实战:医学大数据深度应用电子书

前言

第1章 机器学习基础

1.1 认识机器学习

1.1.1 机器学习概念

1.1.2 机器学习与生活

1.1.3 机器学习与知识

1.2 机器学习应用基础

1.2.1 事物与维度

1.2.2 分布与关系

1.2.3 描绘与预测

1.2.4 现象与知识

1.2.5 规律与因果

1.3 机器学习应用系统

1.3.1 数据层

1.3.2 算法层

1.3.3 应用层

1.3.4 经验积累与应用

1.4 无限三维嵌套空间假说

1.4.1 一维空间

1.4.2 二维空间

1.4.3 三维空间

1.4.4 突破三维空间

1.4.5 五维空间

1.4.6 六维空间

1.5 分数维度空间

1.5.1 分数维度

1.5.2 自相似性

1.5.3 无限迭代

1.6 不确定论

1.7 本章小结

第2章 数据探索

2.1 数据关系探索

2.1.1 业务发现

2.1.2 关系发现

2.1.3 数据质量探索

2.1.4 数据整合

2.2 数据特征探索

2.2.1 数据的统计学特征

2.2.2 统计学特征应用

2.2.3 变量相关性探索

2.3 数据选择

2.3.1 适当的数据规模

2.3.2 数据的代表性

2.3.3 数据的选取

2.4 数据处理

2.4.1 数据标准化

2.4.2 数据离散化

2.5 本章小结

第3章 机器学习技术

3.1 聚类分析

3.1.1 划分聚类（K均值）

3.1.2 层次聚类（组平均）

3.1.3 密度聚类

3.2 特性选择

3.2.1 特性选择概念

3.2.2 线性相关

3.2.3 相关因子SRCF

3.3 特征抽取

3.3.1 主成分分析

3.3.2 因子分析

3.3.3 非负矩阵因子分解

3.4 关联规则

3.4.1 关联规则概念

3.4.2 Apriori算法

3.4.3 FP树频集

3.4.4 提升（Lift）

3.5 分类和预测

3.5.1 支持向量机

3.5.2 Logistic回归

3.5.3 朴素贝叶斯分类

3.5.4 决策树

3.5.5 人工神经网络

3.5.6 分类与聚类的关系

3.6 时间序列

3.6.1 灰色系统预测模型

3.6.2 ARIMA模型预测

3.7 深度学习

3.7.1 图像深度学习：卷积神经网络

3.7.2 自然语言深度学习：循环神经网络

3.8 本章小结

第4章 机器学习应用案例

4.1 特性选择的应用

4.1.1 数据整合

4.1.2 数据描绘

4.1.3 数据标准化

4.1.4 特性选择探索

4.2 分类模型的应用——算法比较

4.2.1 数据整合

4.2.2 数据描绘

4.2.3 数据标准化

4.2.4 特性选择探索

4.2.5 分类模型

4.3 算法的综合应用——肿瘤标志物的研究

4.3.1 样本选取

4.3.2 癌胚抗原临床特征主题分析

4.3.3 癌胚抗原临床特征规则分析

4.3.4 癌胚抗原临床特征规则的比较分析

4.3.5 癌胚抗原相关因子分析

4.3.6 不同等级癌胚抗原组差异分析

4.4 本章小结

第5章 机器学习应用系统开发

5.1 IMRS的设计思路

5.1.1 IMRS核心功能设计

5.1.2 IMRS主要功能

5.1.3 IMRS的模块设计和应用实现

5.1.4 IMRS的评估方法

5.2 机器学习应用系统：IMRS技术设计

5.2.1 对数据源的分析

5.2.2 IMRS的总体设计

5.3 IMRS异常侦测模型的开发

5.3.1 异常侦测模型的功能展示

5.3.2 技术开发要点

5.4 IMRS特征抽取模型的开发

5.4.1 特征抽取模型的功能展示

5.4.2 技术开发要点

5.5 IMRS的算法开发

5.5.1 相关因子算法SRCF的实现

5.5.2 朴素贝叶斯分类算法的实现

5.6 本章小结

第6章 机器学习系统应用（一）：结构数据挖掘

6.1 分布探索

6.1.1 两维度聚类模型应用

6.1.2 高维度聚类模型应用

6.2 关系探索

6.2.1 关联规则的应用

6.2.2 特性选择的应用

6.3 特征探索

6.3.1 不稳定心绞痛的特征总结

6.3.2 动脉硬化性心脏病的临床特征

6.4 异常探索

6.4.1 生理指标的异常侦测

6.4.2 异常侦测模型的比较

6.5 推测探索

6.6 应用系统的高级应用

6.6.1 异常侦测的高级用法

6.6.2 关联规则的高级应用

6.7 本章小结

第7章 机器学习系统应用（二）：非结构数据挖掘

7.1 文本挖掘技术

7.1.1 文本分词算法

7.1.2 文本相似性算法

7.1.3 文本聚类算法

7.1.4 文本分类算法

7.2 文本数据挖掘在医学上的应用

7.2.1 医学自然文本挖掘的应用

7.2.2 医学自然文本挖掘的方法

7.2.3 医学自然文本挖掘的相关技术

7.2.4 医学自然文本挖掘系统的实现

7.3 文本分词的实现

7.3.1 专业语料库与分词算法的结合

7.3.2 专业分词库的自完善

7.4 文本智能搜索

7.4.1 文本相似性搜索

7.4.2 文本相关性搜索

7.5 文本聚类与分类的应用

7.5.1 文本聚类应用

7.5.2 文本分类应用

7.6 文本主题提取应用

7.7 本章小结

第8章 基于机器学习的人工智能应用

8.1 基于大数据和机器学习的人工智能

8.1.1 广义大数据

8.1.2 人工智能

8.1.3 基于大数据的人工智能应用

8.1.4 基于小数据的人工智能应用

8.2 人工智能的应用：智能医学诊断系统

8.2.1 智能诊断推理机

8.2.2 临床智能诊断的实现

8.2.3 临床智能诊断的应用

8.2.4 临床智能诊断的验证：基于群体特征的个案临床评估

8.3 混沌人工智能

8.3.1 混沌理论

8.3.2 人类大脑的混沌性

8.3.3 大脑混沌性的应用

8.3.4 人工智能大脑展望

8.4 本章小结