醫(yī)療大數(shù)據(jù)與機器學習

定　價：￥118.00

作　者：	付賽際、田英杰
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥118.00)

ISBN：	9787302635161	出版時間：	2023-09-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　主要研究內(nèi)容與特色：（1）利用文本挖掘和專家經(jīng)驗構(gòu)建機器學習關鍵問題分析框架，總結(jié)機器學習在醫(yī)療大數(shù)據(jù)挖掘中面臨的若干關鍵問題。（2）利用簡約核構(gòu)建面向不完整視角問題的高效機器學習方法。（3）利用非對稱損失函數(shù)構(gòu)建面向類別不平衡問題的機器學習與深度學習方法。讀者對象：從事人工智能、機器學習、醫(yī)療大數(shù)據(jù)分析方向的學術界與工業(yè)界的相關人士。（4）圍繞不完整視角與類別不平衡這兩個關鍵問題展開深入研究，有效提升了醫(yī)學診斷的決策效率。

作者簡介

　　付賽際，北京郵電大學講師。研究方向：醫(yī)療大數(shù)據(jù)挖掘、機器學習與最優(yōu)化。近年來在Information Sciences， Knowledge-Based Systems， Information Processing & Management發(fā)表論文10余篇。現(xiàn)任Annals of Data Science編委。參加國家自然科學基金面上項目、重點項目若干項。

圖書目錄

第1章　醫(yī)療大數(shù)據(jù)挖掘 1
1.1?醫(yī)療大數(shù)據(jù) 1
1.2　醫(yī)療大數(shù)據(jù)文獻分析 4
1.2.1　數(shù)據(jù)準備 4
1.2.2　文本挖掘 5
1.2.3　專家經(jīng)驗 5
1.3　挖掘現(xiàn)狀與關鍵問題 10
1.3.1　醫(yī)學圖像分類 10
1.3.2　醫(yī)學圖像檢測 17
1.3.3　醫(yī)學圖像分割 20
1.3.4　醫(yī)學圖像生成 23
1.3.5　關鍵問題 25
第2章　機器學習問題 28
2.1　二分類問題 28
2.2　多分類問題 29
2.3　多標簽分類問題 30
2.4　多視角分類問題 31
2.5　多示例分類問題 31
2.6　多任務分類問題 33
2.7　遷移學習問題 34
2.8　弱監(jiān)督分類問題 34
2.9　數(shù)據(jù)生成問題 35
第3章　機器學習方法 37
3.1　傳統(tǒng)機器學習方法 37
3.1.1　k近鄰 37
3.1.2　樸素貝葉斯 38
3.1.3　決策樹 40
3.1.4　隨機森林 41
3.1.5　自適應增強 41
3.1.6　支持向量機 42
3.2　深度學習方法 44
3.2.1　CNN 44
3.2.2　RNN 46
3.2.3　GAN 46
第4章　多視角學習 48
4.1　多視角學習方法 48
4.1.1　基于完整視角的學習方法 48
4.1.2　基于不完整視角的學習方法 50
4.2　基礎模型 53
4.2.1　RSVM 53
4.2.2　PSVM-2V 54
4.3　RPSVM-2V 55
4.4　理論分析 58
4.5　拓展模型 60
4.5.1　RSVM-2K 60
4.5.2　RMKL 62
4.6　實驗分析 64
4.6.1　實驗設置 64
4.6.2　實驗結(jié)果 65
4.6.3　參數(shù)敏感性分析 71
4.6.4　譜分析 74
第5章　類別不平衡學習（一） 77
5.1　類別不平衡學習方法 77
5.1.1　采樣 77
5.1.2　代價敏感學習 78
5.1.3　集成學習 79
5.2　DEC 81
5.3　修正Stein損失函數(shù) 81
5.4　CSMS 83
5.5　理論分析 86
5.6　模型優(yōu)化 86
5.7　實驗分析 88
5.7.1　實驗設置 88
5.7.2　實驗結(jié)果 89
5.7.3　參數(shù)敏感性分析 93
5.7.4　收斂性分析 93
第6章　類別不平衡學習（二） 98
6.1　v-SVM 98
6.2　LINEX損失函數(shù) 99
6.3　v-CSSVM 99
6.4　理論分析 101
6.5　模型優(yōu)化 102
6.5.1　ADMM 102
6.5.2　GD 104
6.6　實驗分析 105
6.6.1　實驗設置 105
6.6.2　實驗結(jié)果 106
6.6.3　參數(shù)敏感性分析 109
6.6.4　收斂性分析 110
第7章　類別不平衡學習（三） 113
7.1　深度學習中的類別不平衡損失函數(shù) 113
7.1.1　WCE 114
7.1.2　FL 114
7.1.3　其他 115
7.2　深度LINEX損失函數(shù) 116
7.2.1　BC-LINEX 116
7.2.2　MC-LINEX 117
7.2.3　損失函數(shù)比較 119
7.3　模型優(yōu)化 120
7.3.1　BC-LINEX權重更新 120
7.3.2　MC-LINEX權重更新 121
7.4　實驗分析 122
7.4.1　實驗設置 122
7.4.2　實驗結(jié)果 125
7.4.3　參數(shù)敏感性分析 130
附錄A 132
A.1　定理4.1證明 132
A.2　定理4.2證明 132
A.3　第4章附表 135
附錄B 148
B.1　第5章附表 148
附錄C 150
C.1　定理6.1證明 150
C.2　第6章附表 152
參考文獻 155