元分析：數據分析的共識方法與系統模式

譯者序
致謝
第1章　概述和應用1
1.1　引言1
1.2　本書為什麼重要2
1.3　本書的組織結構3
1.4　信息學3
1.5　分析統計學4
1.5.1　值和方差4
1.5.2　樣本和總體檢驗5
1.5.3　回歸和估計7
1.6　分析演算法12
1.6.1　k均值和k近鄰聚類12
1.6.2　反聚類14
1.6.3　瑪律可夫模型14
1.7　機器學習16
1.7.1　熵16
1.7.2　支援向量機和核函數18
1.7.3　概率18
1.7.4　降維和信息增益20
1.7.5　優化和搜索21
1.7.6　資料採擷和知識發現22
1.7.7　識別23
1.7.8　集成學習24
1.8　人工智慧25
1.8.1　遺傳演算法26
1.8.2　神經網路30
1.8.3　免疫演算法35
1.9　一個從頭開始構建分類器的平臺（二分類）37
1.10　一個從頭開始構建分類器的平臺（一般情況）43
1.10.1　訓練和驗證43
1.10.2　測試和部署49
1.10.3　比較訓練和測試資料集上的結果62
1.11　本章小結63
參考文獻64
擴展閱讀64

第2章　獲取真值65
2.1　引言65
2.2　預驗證66
2.3　根據訓練資料優化設置72
2.4　學習如何學習76
2.5　從深度學習到深度反學習82
2.6　本章小結82
參考文獻83

第3章　實驗設計85
3.1　引言85
3.2　數據歸一化86
3.2.1　簡單的歸一化86
3.2.2　偏差歸一化87
3.2.3　歸一化和實驗設計表90
3.3　剪枝老化資料的設計91
3.4　系統之系統93
3.4.1　系統93
3.4.2　混合系統94
3.4.3　動態更新的系統95
3.4.4　介面95
3.4.5　增益95
3.4.6　領域歸一化97
3.4.7　靈敏度分析98
3.5　本章小結99
參考文獻99

第4章　元分析設計模式100
4.1　引言100
4.2　累積回應模式101
4.2.1　識別感興趣的區域102
4.2.2　面向序列相關的預測性選擇的感興趣的區域104
4.2.3　傳統的累積增益曲線105
4.3　分析的優化111
4.3.1　決策樹111
4.3.2　假定身份觸發模式112
4.3.3　期望化和-最小模式113
4.4　模型一致性模式116
4.4.1　混合回歸117
4.4.2　建模和模型擬合117
4.5　共現和相似性模式118
4.6　靈敏度分析模式119
4.7　混淆矩陣模式120
4.8　熵模式121
4.9　獨立模式124
4.10　功能式NLP模式（宏觀回饋）127
4.11　本章小結127
參考文獻129

第5章　靈敏度分析和大型系統工程130
5.1　引言130
5.2　資料集本身的靈敏度分析132
5.3　解決方案模型的靈敏度分析135
5.4　單個演算法的靈敏度分析136
5.5　混合演算法的靈敏度分析137
5.6　到當前狀態的路徑的靈敏度分析138
5.7　本章小結140
參考文獻141

第6章　多面預測性選擇142
6.1　引言142
6.2　預測性選擇142
6.3　預測方法143
6.4　選擇方法144
6.5　多路徑方法149
6.6　應用151
6.7　靈敏度分析151
6.8　本章小結151
參考文獻152

第7章　建模和模型擬合153
7.1　引言153
7.2　用於分析的化學類比154
7.3　用於分析的有機化學類比156
7.4　用於分析的免疫學和生物學類比157
7.5　用於模型設計和擬合的匿名化類比159
7.6　最小平方誤差、誤差方差和熵：擬合優度159
7.7　創建屬於自己的多個模型160
7.8　本章小結161
參考文獻161

第8章　同義詞-反義詞模式和強化-無效化模式162
8.1　引言162
8.2　同義詞-反義詞模式163
8.3　強化-無效化模式164
8.4　各種模式的廣泛適用性167
8.5　本章小結167
參考文獻168
擴展閱讀168

第9章　關於分析的分析169
9.1　引言169
9.2　關於分析的分析170
9.2.1　熵與出現向量170
9.2.2　功能指標173
9.2.3　期望化方法174
9.2.4　系統設計的注意事項175
9.3　根據訓練資料優化設置175
9.4　混合方法176
9.5　關於分析的其他探索領域177
9.6　本章小結178
參考文獻178
擴展閱讀179

第10章　系統設計優化180
10.1　引言180
10.1.1　系統考量—重新審視系統增益181
10.1.2　系統增益—重新審視和擴大系統偏差182
10.1.3　投資與回報185
10.2　模組優化185
10.3　聚類與正則化186
10.3.1　平方和正則化189
10.3.2　方差正則化189
10.3.3　簇大小正則化190
10.3.4　小型簇正則化191
10.3.5　簇數量正則化191
10.3.6　對正則化方法的討論192
10.4　分析系統的優化192
10.5　本章小結193
參考文獻193

第11章　射幸技術和專家系統技術194
11.1　引言194
11.2　兩種射幸模式回顧195
11.2.1　特徵射幸模式的依次移除195
11.2.2　特徵輸出射幸模式的時序變化198
11.3　為測試添加隨機元素199
11.4　高光譜射幸方法201
11.5　機器學習和統計學習中的其他射幸應用202
11.6　專家系統技術202
11.7　本章小結202
參考文獻203
擴展閱讀203

第12章　應用一：機器翻譯、機器人技術和生物科學中的主題及挑戰204
12.1　引言204
12.2　機器翻譯205
12.3　機器人技術207
12.4　生物科學210
12.5　本章小結212
參考文獻212

第13章　應用二：醫學及醫療資訊學、經濟學、商業和金融214
13.1　引言214
13.2　醫療215
13.3　經濟學216
13.4　商業和金融218
13.5　本章小結220
13.6　附言：心理學221
參考文獻222

第14章　探討、總結和資料的未來223
14.1　關於第1章的探討和總結223
14.2　關於第2章的探討和總結224
14.3　關於第3章的探討和總結224
14.4　關於第4章的探討和總結225
14.5　關於第5章的探討和總結226
14.6　關於第6章的探討和總結226
14.7　關於第7章的探討和總結226
14.8　關於第8章的探討和總結227
14.9　關於第9章的探討和總結227
14.10　關於第10章的探討和總結227
14.11　關於第11章的探討和總結228
14.12　關於第12章的探討和總結228
14.13　關於第13章的探討和總結229
14.14　元分析的未來229
中英文術語對照表230