cart中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

模型思維：簡化世界的人工智能模型

為了解決cart中文的問題，作者龔才春 這樣論述：

對從事演算法研究與演算法開發的人來說，模型的學習與使用必不可少。尤其是在目前備受關注的人工智慧領域裡，人人談模型，新模型也是層出不窮，讓人眼花繚亂。   模型讓人又愛又恨：可愛的地方在於它確實能夠解決實際問題，而且其有效性一般都經過了檢驗；可恨的地方在於學習它是一件非常痛苦的事情，尤其是對人工智慧的初學者來說。   《模型思維》將人工智慧在現實生活場景中解決的問題分類，並根據這個分類來介紹各種模型。書中將人工智慧問題分為權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關係，也方便讀者理解各個模型的適用場景。   《模型思維》儘量更多地結合模型的使用場

景，更多地介紹實際業務需求之間的關係，更多地採用生活中淺顯易懂的例子，方便人工智慧的初學者學習模型。   《模型思維》不僅適合希望學習和運用人工智慧模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智慧模型感興趣的讀者，説明其將模型思維應用到生活中。 龔才春 畢業於中國科學院計算技術研究所，工學博士學位；教授，博士生導師；長期從事人工智慧與人力資源等領域的研究。   中關村科金技術人工智慧研究院院長，職品匯創始人，大街網原首席科學家，阿裡巴巴原搜索研發專家。   在大資料採擷方面有許多成功經驗，創辦了大資料虛假簡歷識別平臺職品匯；在自然語言處理，尤其是語

義理解、知識圖譜等方面有深刻理解，中文幽默識別是其一個有特色的研究工作；曾負責淘寶評論的情感分析等工作。 第1篇 模型為什麼這麼神奇 模型是一個很常見的名詞。與人力資源管理相關的有漏斗模型、人才模型、定級模型等；與工程師相關的有線性回歸模型、隱瑪律可夫模型、LDA模型等；與業務相關的有價格預測模型、銷量預測模型等；與銷售相關的有SSM模型、銷售漏斗模型、銷售能力模型等；與行銷相關的有市場衝突矩陣模型、品牌五力模型、區域行銷模型等……但到底什麼是模型、怎麼選擇合適的模型、怎麼創新模型，則是仁者見仁，智者見智。 第1章 為什麼要建立模型 2 1.1 什麼是模型 2 1.2 無處不在的模型 4 1

.3 模型的意義 4 1.3.1 萬有引力定律 4 1.3.2 大陸漂移假說 5 1.3.3 日心說 5 1.4 模型都是對的嗎 6 1.4.1 模型可以是錯的 7 1.4.2 模型可以是未被證實的 7 1.4.3 模型可以是互相矛盾的 7 1.5 什麼模型是好模型 8 1.5.1 表示客觀事物的能力 8 1.5.2 簡化客觀事物的能力 9 1.5.3 評價模型好壞的模型 9 1.6 模型的演化 9 1.7 正確看待模型的價值與缺陷 10 1.7.1 正確看待模型的局限性 10 1.7.2 用歷史的觀點看模型 10 1.7.3 拋棄對模型的階級觀點 11 1.7.4 用發展的觀點看模型 11

1.8 本書的特點 12 1.8.1 對讀者的基礎要求 12 1.8.2 從場景出發講模型 12 1.8.3 從方法論的視角講模型 13 1.8.4 用類比的技巧講模型 13 1.8.5 避免讀者被數學公式嚇倒 13 1.8.6 避免“知識的詛咒” 14 1.9 本書主要內容 14 1.9.1 權重模型 15 1.9.2 狀態模型 15 1.9.3 序列模型 15 1.9.4 表示模型 16 1.9.5 相似模型 16 1.9.6 分類模型 16 第2章 模型的運用 18 2.1 用知識圖譜表示問題 18 2.1.1 知識圖譜的基本理念 18 2.1.2 建立知識圖譜的一般步驟 19 2.1.

3 問題的屬性研究 19 2.1.4 問題的關係研究 20 2.2 問題分析的示例 20 2.2.1 前提假設分析 20 2.2.2 已有資料的分析 21 2.2.3 待求資料的分析 21 2.2.4 關係分析 21 2.3 權重問題的判斷 22 2.4 狀態問題的判斷 24 2.5 序列問題的判斷 25 2.6 表示問題的判斷 25 2.7 相似問題的判斷 26 2.8 分類問題的判斷 26 2.9 模型之間的關係 27 第2篇 權重模型：計算你的分量 世界上的萬事萬物，紛繁複雜，讓人眼花繚亂。幾千年來，人類一直在試圖發現事物背後的共性規律。在電腦學者眼裡，世界上幾乎所有問題，最終都可以歸

結為權重計算的問題。 權重問題是一個通用問題，在各個學科中都已經有許多深入的研究，也有了許多計算各種各樣權重的方法。將這些權重計算方法進行整理並抽象，就簡化為模型了。 第3章 TF-IDF模型 33 3.1 應用場景 33 3.2 詞頻率—逆文檔頻率模型的計算 34 3.2.1 詞頻率模型 34 3.2.2 逆文檔頻率模型 37 3.2.3 TF-IDF模型 39 3.3 詞權重模型的平滑 40 3.4 引申閱讀 40 3.4.1 發明歷史 41 3.4.2 發明人簡介 41 3.4.3 最新研究 42 3.5 本章總結 42 第4章 線性回歸模型 43 4.1 應用場景 43 4.2 直觀理

解回歸問題 44 4.3 一元線性回歸問題 45 4.3.1 鋼軌長度與溫度的關係 45 4.3.2 判斷最合適直線的兩個原則 47 4.3.3 最小二乘法 50 4.4 多元線性回歸問題 52 4.5 標準方程法 53 4.5.1 一些符號定義 53 4.5.2 矩陣表示 54 4.5.3 參數求解 55 4.5.4 用標準方程法計算銀行授信額度 58 4.6 梯度下降法 60 4.6.1 梯度下降法的直觀理解 60 4.6.2 坡度最陡下山法 63 4.6.3 坡度最陡下山法的類比 64 4.6.4 梯度下降法的計算 66 4.6.5 銀行授信額度的計算 67 4.7 梯度下降法與標準方程

法的區別 68 4.8 引申閱讀 69 4.8.1 最小二乘法的發明 69 4.8.2 梯度下降法的發明 69 4.8.3 最新研究 69 4.9 本章總結 71 第5章 PageRank模型 73 5.1 應用場景 73 5.2 PageRank的直觀演算法 74 5.2.1 直觀理解 75 5.2.2 模型的初始化 77 5.2.3 模型的反覆運算 79 5.3 直觀演算法的漏洞修復 81 5.3.1 非連通漏洞 81 5.3.2 過河拆橋型漏洞 82 5.3.3 孤芳自賞型漏洞 85 5.3.4 過分謙虛型漏洞 85 5.3.5 隨機遊走模型 86 5.4 PageRank模型的計算 8

8 5.4.1 連結關係表 88 5.4.2 連結流覽矩陣 88 5.4.3 直接流覽矩陣 89 5.4.4 狀態轉移矩陣 89 5.4.5 反覆運算計算 90 5.4.6 計算示例 91 5.5 引申閱讀 92 5.5.1 收斂性證明 93 5.5.2 發明歷史 94 5.5.3 發明人簡介 94 5.5.4 相關研究 95 5.6 本章總結 95 第3篇 狀態模型：加官進爵的模型 事物是變化的，我們也要從意識形態上跟上客觀事物的變化，否則就會犯“刻舟求劍”的笑話。目前，最好的描述事物狀態改變的模型是自動機模型，又被稱為有限狀態自動機模型。 在電腦領域，有很多自動機模型的應用場景。例如常見

的正向最大匹配分詞演算法其實就是一個自動機模型；在自然語言處理中，中文分詞、語音辨識、詞性標注、字串查找、拼寫糾錯、模糊匹配等都是自動機模型的變種；在網路安全領域中，我們最熟悉的病毒掃描場景，很多都使用了AC自動機模型，這也是一種狀態轉移自動機模型。 第6章 有限狀態自動機模型 100 6.1 應用場景 100 6.1.1 Java詞法分析 100 6.1.2 Java詞法分析示例 101 6.2 直觀理解與形式化描述 103 6.2.1 自動機模型的直觀理解 103 6.2.2 形式化描述 105 6.3 詞法分析自動機模型 105 6.3.1 注釋識別自動機 105 6.3.2 保留字識別

自動機 107 6.4 位址解析自動機模型 108 6.4.1 位址解析場景概述 108 6.4.2 地址解析的難度 109 6.4.3 標準地址庫建設 110 6.4.4 位址識別自動機模型 111 6.5 引申閱讀 113 6.5.1 發明歷史 113 6.5.2 發明人簡介 114 6.5.3 最新研究 115 6.6 本章總結 115 第7章 模式匹配自動機模型 116 7.1 應用場景 116 7.2 形式化描述 118 7.3 BF模式匹配演算法 118 7.3.1 BF演算法的直觀理解 118 7.3.2 BF演算法的匹配過程示例 119 7.3.3 BF演算法的偽代碼表示 12

1 7.3.4 BF演算法的自動機模型 121 7.4 RK模式匹配演算法 122 7.5 KMP模式匹配演算法 123 7.5.1 KMP演算法的直觀理解 123 7.5.2 KMP演算法的匹配過程示例 125 7.5.3 移動長度的計算 127 7.5.4 KMP演算法的自動機模型 129 7.5.5 KMP演算法的總結 129 7.6 BM模式匹配演算法 129 7.6.1 後向BF演算法 130 7.6.2 實現跳躍式匹配 131 7.6.3 基於壞字元的模式匹配過程 132 7.6.4 壞字元匹配演算法的缺陷 137 7.6.5 好尾碼的匹配規則 138 7.6.6 BM模式匹配演算

法介紹 141 7.6.7 BM演算法的自動機模型 143 7.7 AC模式匹配演算法 143 7.7.1 TRIE樹的使用 144 7.7.2 TRIE樹的構建 145 7.7.3 失效指針的直觀理解 146 7.7.4 失效指針的設置示例 147 7.7.5 失效指標的設置演算法 150 7.7.6 AC演算法的匹配過程示例 152 7.8 Wu-Manber模式匹配演算法 153 7.8.1 Wu-Manber演算法的直觀理解 153 7.8.2 Wu-Manber演算法的總體思路 155 7.8.3 字元塊 156 7.8.4 後移長度陣列 157 7.8.5 字元塊的雜湊值 159

7.8.6 倒排鏈表 159 7.8.7 首碼雜湊值 160 7.8.8 Wu-Manber演算法示例 161 7.9 引申閱讀 163 7.10 本章總結 166 第4篇 序列模型：揭示現象背後的規律 序列模型，就是根據可觀察的現象序列，探索其背後不可觀察的神秘序列。我們能夠想到的需要探索現象背後的邏輯、本質、規律等，都可以歸結為序列模型。 第8章 隱瑪律可夫模型 170 8.1 應用場景 171 8.2 瑪律可夫鏈 171 8.3 隱瑪律可夫模型的定義 173 8.3.1 直觀定義 173 8.3.2 形式化定義 174 8.3.3 盲人與苔蘚的例子 174 8.4 兩個假設 176 8

.4.1 齊次瑪律可夫假設 176 8.4.2 觀察獨立性假設 176 8.5 評估問題 177 8.5.1 評估問題的應用價值 177 8.5.2 暴力求解法 178 8.5.3 前向演算法 179 8.5.4 前向演算法的形式化描述 185 8.5.5 前向演算法的演算法描述 186 8.5.6 後向演算法 187 8.6 解碼問題 190 8.6.1 暴力求解法 190 8.6.2 維特比演算法 190 8.6.3 維特比演算法的形式化描述 197 8.7 學習問題 198 8.7.1 監督學習 199 8.7.2 非監督學習 201 8.7.3 一個更簡單的EM演算法例子 202 8.

7.4 更好一點的演算法 205 8.7.5 直觀方法 206 8.7.6 Baum-Welch演算法 207 8.7.7 Baum-Welch演算法的偽代碼表示 212 8.8 引申閱讀 213 8.8.1 發明人簡介 213 8.8.2 最新研究 214 8.9 本章總結 215 第9章 最大熵模型 216 9.1 應用場景 216 9.1.1 語義消歧 216 9.1.2 音字轉換 217 9.1.3 其他常見場景 217 9.2 直觀理解最大熵 217 9.2.1 熵增加原理 217 9.2.2 熵的定義 218 9.2.3 不要把雞蛋放在同一個籃子裡 219 9.2.4 不要隨意添加

主觀假設 219 9.3 最簡單的最大熵計算示例 220 9.3.1 方程組求解 220 9.3.2 最大熵化 221 9.3.3 拉格朗日乘子法 221 9.3.4 骰子的概率計算 223 9.3.5 計算複雜度分析 225 9.4 形式化定義 226 9.4.1 經驗分佈 226 9.4.2 特徵函數 227 9.4.3 特徵範本 228 9.4.4 約束條件及其期望 228 9.4.5 條件熵 230 9.4.6 最大熵的定義 230 9.5 最大熵模型的計算流程 231 9.5.1 模型訓練 231 9.5.2 模型執行 232 9.6 平滑方法 232 9.6.1 拉普拉斯平滑 23

3 9.6.2 古德—圖靈平滑 236 9.6.3 Jelinek-Mercer平滑 238 9.6.4 Katz平滑 239 9.6.5 絕對折扣平滑 241 9.6.6 Witten-Bell平滑 241 9.6.7 Kneser-Ney平滑 242 9.6.8 各種平滑方法的演化關係 243 9.7 特徵選擇 245 9.7.1 基於閾值的特徵選擇 245 9.7.2 增量式特徵選擇 245 9.8 參數計算 246 9.8.1 參數計算的形式化 246 9.8.2 參數的數值計算 248 9.9 引申閱讀 250 9.10 本章總結 251 第5篇 表示模型：萬事萬物的表示 當人們在

看到某個事物或現象後，需要向沒有看到的人描述這個事物或現象時，就需要盡可能找一個讓對方可以接受並理解的方式來表示該事物或現象。對事物或現象的表示，是這個事物或現象區別於其他事物或現象的基礎，是進行轉述、分析、處理的前提。 到了現代社會，表示方法越來越普遍，使用也越來越頻繁。重大的科技創新，往往都是從表示方法創新開始的。 第10章 向量空間模型 256 10.1 應用場景 256 10.2 之前的文本表示方法 257 10.3 向量空間模型 258 10.3.1 文檔的詞袋化 258 10.3.2 文檔的向量化 259 10.3.3 詞項的權重計算 261 10.4 相似度計算 263 10.5

引申閱讀 264 10.5.1 發明人介紹 264 10.5.2 最新研究 264 10.6 本章總結 265 第11章 潛在語義分析模型 266 11.1 應用場景 266 11.2 LSA模型的計算 268 11.2.1 詞—文檔矩陣 268 11.2.2 奇異值分解 270 11.2.3 降維處理 272 11.3 結果的解讀 275 11.3.1 3個矩陣的物理含義 275 11.3.2 實驗結果解讀 275 11.4 為什麼LSA模型有效 277 11.5 LSA模型的應用 278 11.5.1 識別同義詞和近義詞 278 11.5.2 文檔的聚類和分類 280 11.5.3 跨語

言語義檢索 281 11.6 LSA模型的不足 282 11.7 引申閱讀 283 11.7.1 發明人介紹 283 11.7.2 最新研究 283 11.8 本章總結 284 第6篇 相似模型：誰與我臭味相投 在現實生活的許多場景中，都需要判斷兩個事物有多相似。各種事物之所以可以比較，是因為我們已經潛在地計算了事物之間的相似度。之所以稱這種相似度是“潛在的”，是因為我們以為是在尋找事物之間的差異，其實在尋找差異之前我們已經找到了相似之處。 第12章 相似模型 288 12.1 歐幾裡得距離 288 12.2 曼哈頓距離 289 12.3 切比雪夫距離 292 12.4 閔可夫斯基距離 29

3 12.5 馬哈拉諾比斯距離 293 12.5.1 用歐氏距離計算身材相似度 293 12.5.2 歐氏距離失效的原因 294 12.5.3 引入原因 295 12.5.4 方差與協方差 295 12.5.5 馬氏距離的定義 298 12.5.6 馬氏距離為什麼有效 299 12.6 皮爾遜相關係數 299 12.7 Jaccard相關係數 300 12.8 余弦相似度 302 12.9 漢明距離 304 12.10 KL散度 305 12.11 海林格距離 307 12.12 編輯距離 307 12.13 本章總結 312 第7篇 分類模型：物以類聚，人以群分 分類問題是我們在日常生活中

每時每刻都可能遇到的。分類也是所有決策制定的基礎，沒有分類，就不可能有決策的制定與實施。各行各業每天都在處理各式各樣的分類問題：高校要根據高考成績判斷是否錄用考生；HR要根據候選人簡歷判斷是否安排面試；公司CEO要根據市場情況及時調整產品戰略和銷售目標；農民要根據天氣、作物生長狀況等決定是否澆水、施肥；廚師要根據火候判斷菜品是否應該出鍋；司機要根據目的地和交通狀況決定是直行還是轉向…… 在現實生活中，我們可能遇到的分類問題千差萬別，可以對分類問題進行分類，從而使每一類分類問題可以用一類分類模型來處理。 第13章 感知機模型 315 13.1 應用場景 315 13.2 神經元的工作原理 317

13.3 感知機模型的原理 320 13.3.1 感知機模型的數學表示 320 13.3.2 感知機模型的分類原理 320 13.3.3 距離的計算 323 13.3.4 代價函數 323 13.4 參數訓練 324 13.4.1 梯度下降法 324 13.4.2 計算示例 325 13.5 引申閱讀 326 13.5.1 發明歷史 326 13.5.2 最新研究 327 13.5.3 與其他模型的關係 327 13.6 本章總結 328 第14章 邏輯回歸模型 329 14.1 應用場景 329 14.2 直觀理解邏輯回歸模型 330 14.2.1 邏輯回歸的目標模型 330 14.2.2

邏輯回歸模型的工作原理 332 14.3 邏輯回歸模型的計算 333 14.3.1 相關符號表示 333 14.3.2 代價函數 334 14.3.3 梯度下降法 335 14.4 引申閱讀 336 14.4.1 發明人簡介 336 14.4.2 發明歷史 337 14.4.3 最新研究 337 14.5 本章總結 338 第15章 樸素貝葉斯模型 339 15.1 應用場景 339 15.2 先驗概率和後驗概率 340 15.3 貝葉斯公式 341 15.3.1 全概率公式 341 15.3.2 逆概率公式 342 15.4 獨立假設 343 15.5 文本分類的案例 344 15.5.1

訓練樣本介紹 345 15.5.2 詞典與先驗概率 345 15.5.3 直接使用貝葉斯公式 346 15.5.4 拉普拉斯平滑 347 15.6 引申閱讀 349 15.7 本章總結 349 第16章 決策樹模型 350 16.1 應用場景 350 16.2 決策樹模型的直觀理解 351 16.2.1 猜數字的遊戲 351 16.2.2 猜動物的遊戲 352 16.2.3 決策樹模型要解決的問題 354 16.3 最佳決策樹 354 16.3.1 蠻力的方法 355 16.3.2 從數據中領悟審批原則 355 16.3.3 什麼是好問題 356 16.4 信息量的計算 357 16.4.1

資訊熵的定義 357 16.4.2 熵的計算示例 358 16.4.3 熵的單位 359 16.5 資訊增益與ID3演算法 359 16.5.1 條件熵的定義 360 16.5.2 資訊增益的計算 360 16.5.3 使用資訊增益選擇特徵 361 16.5.4 ID3演算法 364 16.6 資訊增益比與C4.5演算法 364 16.6.1 資訊增益比的定義 364 16.6.2 計算示例 365 16.6.3 C4.5演算法 365 16.7 基尼係數與CART演算法 366 16.7.1 基尼係數定義 367 16.7.2 基尼係數計算示例 368 16.7.3 CART分類樹演算法

372 16.7.4 CART回歸樹 373 16.8 引申閱讀 375 16.8.1 發明歷史 375 16.8.2 最新研究 377 16.9 本章總結 377 第17章 支援向量機模型 378 17.1 應用場景 378 17.2 一元支持向量機 379 17.3 二元支持向量機 383 17.3.1 實例場景描述 383 17.3.2 最佳分類面 384 17.3.3 最佳分類直線的函數形式 385 17.3.4 分類間隔的計算 387 17.3.5 最大化問題的數學表示 388 17.3.6 拉格朗日乘子法 389 17.4 支持向量機的對偶問題 391 17.4.1 SVM模型的數

學描述 391 17.4.2 SVM模型的對偶問題 392 17.5 支持向量機的參數求解 396 17.5.1 SMO演算法的形式描述 396 17.5.2 SMO演算法的整體思路 397 17.5.3 參數更新過程 399 17.5.4 乘子的啟發式選擇 401 17.6 引申閱讀 402 17.6.1 發明歷史 402 17.6.2 發明人簡介 403 17.6.3 最新研究 403 17.7 本章總結 404

cart中文進入發燒排行的影片

使用模糊群集決策樹於模鑄型變壓器的異常檢測

為了解決cart中文的問題，作者李琦勝 這樣論述：

模鑄型變壓器的故障不僅會降低電力系統的可靠性，而且對電能質量也有很大影響。高壓電氣設備的環氧樹脂絕緣子中發生的局部放電（Partial Discharges, PD）會對絕緣產生有害影響逐步侵蝕絕緣介質，並可能導致電力系統停電。 PD的模式識別是提高高壓電氣設備可靠性的一個工具。在本篇論文中，提出了一種模糊邏輯聚類決策樹(Fuzzy Clustering Decision Tree, FCDT)來判斷模鑄型變壓器異常的局部放電缺陷。FCDT將層次聚類與決策樹整合在一起。層次聚類是使用最接近的樣本群集，一層一層擴大，再決定要分割成多少群組，是使用決策樹進行分類的預處理階段。本文提出的算法能夠採

用FCDT對模鑄型變壓器的異常 PD 進行分類，並將整個數據集依層次聚類劃分為一些分割屬性，並通過決策樹對每個分割屬性的模式進行分類，最終FCDT的分類結果與See5和CART進行分析比較，在分類準確度上FCDT的表現比CART和See5佳。

股票大資料採擷實戰

為了解決cart中文的問題，作者洪志令吳梅紅 這樣論述：

《股票大資料採擷實戰：股票預測篇/新經濟書庫》圍繞股票大資料採擷技術展開，主要介紹資料採擷的方法及其在股票大資料上的實戰應用。 　 《股票大資料採擷實戰：股票預測篇/新經濟書庫》共10章。   第1～3章為相關的基礎內容，介紹了資料採擷的基本概念、常用演算法、資料控掘工具及雲計算；然後將股票與資料採擷結合，介紹大資料炒股、股票時間序列、量化投資等；最後介紹與股票相關的資料類型、資料的獲取源及獲取的方法、獲取資料的預處理等。   在第4～10章中，每一章根據股票挖掘的不同目標，介紹相關的資料採擷演算法，同時基於對基礎演算法的優劣分析，提出適用於股票場內實盤交易全景資料分析的新方法，結合新方法在股

票挖掘平臺上的實現，對股票的操作進行實戰的解析。具體包括：分類方法及股票買賣點的判斷；相似/相關匹配方法及股票走勢的預測；相似股票判斷與投資組合；瑪律可夫模型與股票盤面強弱狀態的判斷；關聯規則與股票間的延時漲跌聯動；N-Gram模型與股票的幅值組合關係；深度學習與迴圈滾動預測等。 洪志令，美國加州大學爾灣分校助理科學家、北京大學心理學／北京大學機器感知與智慧教育部重點實驗室博士後，廈門大學人工智慧專業博士。曾先後任職於IBM、美國Comodo、廈門大學軟體學院，現為股票挖掘網（stocktobe.com）創始人。廈門市高層次引進人才，廈門市思明區思明英才，廈門市思明區政協委

員。近年來發表SCI/EI檢索學術論文32篇。目前擁有10項授權的國家發明專利和超過32項的公開實審國家發明專利。 　　 吳梅紅，廈門大學副教授，美國加州大學洛杉磯分校與廈門大學聯合培養博士，師從圖靈獎獲得者Judea Pearl教授，北京大學博士後，美國加州大學爾灣分校訪問學者。福建省新世紀優秀人才，廈門市高層次引進人才。在智慧科學領域有較深入的研究，並在國內外**期刊發表多篇文章。 第1章 資料採擷基礎 1．1 資料採擷概述 1．1．1 資料採擷的過程 1．1．2 資料採擷的任務 1．1．3 資料採擷的應用 1．1．4 資料採擷的存在問題、未來發展和挑戰 1．2 常用的

資料採擷演算法 1．3 資料採擷工具 1．3．1 MATLAB 1．3．2 SAS 1．3．3 SPSS 1．3．4 WEKA 1．3．5 R 1．3．6 工具的比較與選擇 1．4 資料採擷與雲計算 1．5 Mahout分散式框架 1．5．1 Mahout簡介 1．5．2 Mahout演算法集 1．5．3 Mahout系統架構 1．5．4 Mahout的優缺點 第2章 股票大資料採擷 2．1 股票大資料 2．1．1 大數據概述 2．1．2 大資料的處理 2．1．3 大數據炒股 2．2 股票預測 2．2．1 預測基礎知識 2．2．2 股票預測的結構 2．2．3 股票預測技術 2．3 量化投資

2．3．1 什麼是量化投資 2．3．2 量化投資的特點 2．3．3 量化投資的方法 2．3．4 量化投資選股模型 2．3．5 多因數選股模型 2．3．6 量化模型的建立 第3章 股票資料的準備 3．1 股票相關資料 3．2 資料的獲取源 3．2．1 從雅虎獲取歷史交易資料 3．2．2 從騰訊獲取即時交易資料 3．2．3 從新浪獲取交易資料 3．2．4 從網易獲取成交明細資料 3．2．5 從巨潮資訊獲取基礎資料 3．2．6 多源獲取UGC資料 3．3 資料獲取技術 3．3．1 網路爬蟲技術 3．3．2 HTML解析 3．3．3 XML解析 3．3．4 JSON解析 3．4 數據預處理 3．4．

1 資料清理 3．4．2 資料集成 3．4．3 數據變換 3．4．4 數據歸約 第4章 分類方法與股票買賣點判斷 4．1 分類概述 4．2 樸素貝葉斯 4．2．1 樸素貝葉斯分類演算法的概念 4．2．2 樸素貝葉斯分類器模型 4．2．3 樸素貝葉斯分類器的優缺點 4．2．4 樸素貝葉斯分類器的應用 4．2．5 擴展的分類器 4．3 決策樹 4．3．1 決策樹方法介紹 4．3．2 屬性選擇的度量方法 4．3．3 剪枝技術 4．3．4 常用的決策樹分類演算法 4．3．5 ID3演算法 4．3．6 C4．5 演算法 4．3．7 CART演算法 4．3．8 SLIQ演算法 4．3．9 SPRINT演

算法 4．3．10 PUBLIC演算法 4．3．11 演算法比較 4．4 支持向量機 4．4．1 最優分類面 4．4．2 廣義的最優分類面 4．4．3 序列最小最優化演算法 4．4．4 核函數 4．4．5 SVM參數優化問題 4．4．6 SVM分類器 4．5 評價指標 4．6 基於SVM演算法的股票買賣點判斷 4．6．1 數據預處理 4．6．2 買賣點定義 4．6．3 買賣點判斷 第5章 匹配方法與股票走勢的預測 5．1 目標概述 5．2 模式匹配 5．2．1 模式匹配概述 5．2．2 模式匹配的定義 5．2．3 BF演算法 5．2．4 KMP演算法 5．2．5 BM演算法 5．2．6 BM

H演算法 5．2．7 AC演算法 5．2．8 模式匹配演算法總結 5．3 常用的相似性度量方法 5．3．1 基於距離的度量 5．3．2 基於相似/相關的度量 5．3．3 其他度量方式 5．4 新方法：相似走勢匹配在股票預測中的應用 5．4．1 方法思想 5．4．2 相似匹配的計算步驟 5．4．3 基於最相似走勢的股票短期走勢預測方法 5．4．4 基於多相似股票投票統計的近期漲跌預測方法 5．4．5 基於近期預測漲跌幅及其一致性統計的股票推薦方法 5．4．6 基於同匹配日期相似走勢的股票預測方法 5．4．7 基於強匹配排序的股票趨勢分析與選股方法 5．4．8 基於股票預測走勢進行分類和推薦的方法

5．5 新方法：自身歷史相關在股票預測中的應用 5．5．1 基於自身歷史相關時間點的股票趨勢預測方法 5．5．2 基於自相關排序的股票趨勢分析與選股方法； 5．6 新方法：正負相關走勢在股票預測中的應用 5．6．1 主要思想 5．6．2 計算步驟 5．6．3 方法步驟與創新特徵 5．6．4 輸出結果示例 5．7 新方法：自訂模式匹配在股票預測中的應用 5．7．1 主要思想 5．7．2 計算步驟 5．7．3 方法步驟與創新特徵 5．7．4 輸出結果示例 5．8 平臺實戰解析：搜索相似歷史走勢以替代老司機經驗 第6章 相似股票判斷與投資組合 6．1 目標概述 6．2 DTW動態時間規整演算法

6．2．1 匹配模式 6．2．2 DTW演算法原理 6．2．3 DTW演算法改進 6．3 KNN演算法 6．3．1 KNN演算法簡介 6．3．2 k值的選擇 6．3．3 KNN演算法的改進 6．3．4 KNN演算法的實現 6．4 相似股票的判斷和應用 s．4．1 新方法；用於輔助選股的股票分級活醫度計算方法 6．4．2 新方法：基於股票強相關分析的選股推薦方法 6．4．3 平臺實戰解析 第7章 股票盤面強弱狀態的判斷 7．1 目標概述 7．2 瑪律可夫模型 7．2．1 瑪律可夫模型概述 7．2．2 瑪律可夫過程 7．2．3 瑪律可夫鏈 7．2．4 狀態轉移概率 7．2．5 瑪律可夫鏈在天氣預

報中的應用 7．2．6 瑪律可夫鏈在人民幣匯率上的實證分析 7．3 隱瑪律可夫模型 7．3．1 隱瑪律可夫模型概述 7．3．2 隱瑪律可夫的數學模型 7．3．3 評估問題與前向演算法 7．3．4 解碼問題與Viterbi演算法 7．3．5 觀察序列最大概率問題與Baum-Welch演算法 7．3．6 隱瑪律可夫模型在輸入法中的應用 7．4 新方法：基於狀態轉移的股票長期走勢預測與推薦方法 7．4．1 主要思想 7．4．2 計算步驟 7．4．3 方法步驟與創新特徵 7．4．4 平臺實戰解析 第8章 股票間的延時聯動漲跌規則 8．1 目標概述 8．2 貝葉斯 8．2．1 貝葉斯公式 8．2．2

貝葉斯推斷 8．2．3 貝葉斯應用 8．3 關聯規則挖掘 8．3．1 基本概念和模型 8．3．2 Apriori演算法 8．3．3 FP-tree頻集演算法 8．3．4 關聯規則的應用 8．4 關聯規則在股票預測中的應用 8．4．1 新方法：基於時態聯動挖掘的股票預測方法 8．4．2 新方法：基於股票間同現統計的股票推薦方法 8．4．3 平臺實戰解析 第9章 股票漲跌的幅值組合關係 9．1 目標概述 9．2 n-gram模型 9．2．1 自然語言處理 9．2．2 統計語言模型 9．2．3 n-gram模型簡介 9．2．4 n-gram模型的資料平滑 9．2．5 n-gram模型的解碼演算法

9．2．6 利用n-gram糾正中文文本錯誤 9．3 新方法：個股漲跌的幅值組合關係挖掘 9．3．1 基於類似n元語法統計的股票預測方法 9．3．2 基於類似關聯規則統計的股票預測方法 9．3．3 基於局部及全域語法統計的股票推薦方法 9．3．4 用於股市運行邏輯理解的強關聯規則挖掘方法 9．3．5 平臺實戰解析 第10章 股票的迴圈滾動預測方法 10．1 目標概述 10．2 回歸分析與股票預測 10．2．1 回歸分析概述 10．2．2 一元線性回歸模型 10．2．3 多元線性回歸分析模型 10．2．4 線性相關程度測定 10．2．5 非線性回歸分析 10．2．6 用回歸分析進行股票預測 1

0．3 神經網路與股票預測 10．3．1 神經網路的基本原理 10．3．2 BP神經網路演算法 10．3．3 用BP神經網路進行股票預測 10．4 深度學習與股票預測 10．4．1 深度學習介紹 10．4．2 深度學習的理論基礎 10．4．3 典型的深度學習模型 10．4．4 LSTM遞迴神經網路 10．4．5 新方法：用LSTM網路進行股票預測 參考文獻 股票投資是為了獲得更大的收益，然而由於股票市場具有較大的動態特性，股票投資的收益與風險往往成正比，投資收益越高，存在風險則越大。有效地進行股票價格的預測，最大程度地規避股票風險，增加投資收益，是股票投資者最關注的熱點問題

。 　　 近年來，中國股市起起伏伏，熊冠全球，許多投資者傷痕累累，損失慘重，股市已成為大多數中國股民的傷心地。中國股市的現狀是多方面因素共同作用的結果，作為普通的投資者無法改變這一現實，怨天尤人於事無補；要想在股市中博弈，立於不敗之地，只能從現實出發，從自身做起。 　　 在股票交易交易處理中，每天有大量的交易資訊資料匯人資料倉庫，這些資料無疑有益於股民瞭解股市的走勢，做出正確的投資決策，然而從海量資料中提取有用的並最終可理解的模式才是投資者們最為關心的問題。 　　 在大資料時代，資料採擷無疑是最炙手可熱的技術。資料採擷的作用是從大量的、不完全的、有雜訊的、模糊的、隨機的資料中提取隱含在其中的、

人們事先不知道的，但又是潛在有用的資訊和知識的過程。資料採擷技術剛好解決了資料利用的問題，所以資料採擷與股票投資便很自然地結合在一起。但資料採擷在國內也是一個新領域，加上較早之前計算能力的限制，尚未見關於股票投資與資料採擷相結合的相關書籍，以及股票大資料領域的規模應用案例。雖然有一些量化投資方面的著作，但是量化投資和股票挖掘還是存在相當大的差別。在這樣的背景下，本書將結合豐富的金融業資料資源，以及構建的股票大資料採擷平臺，介紹如何利用資料挖掘技術進行股票挖掘和投資實踐。 　　 首先需要學習資料採擷技術。資料採擷是一個交叉學科，融合了統計分析、模式識別、機器學習、資訊檢索、資料庫、資訊理論和最優

化演算法等領域的學習思想，其基礎理論比較多，但卻很分散。其次要學習資料採擷技術怎麼應用到股票投資領域。對於有興趣進行資料採擷應用實踐的讀者來說，他們常有這樣的困惑，如何將實際問題和已經學到的方法、原理聯繫起來，如何將資料採擷技術有效地運用在實際應用中，給使用者帶來價值。 　　 本書以筆者團隊的資料採擷工作為基石，架設起研究和應用的橋樑，説明讀者從應用實例中學習資料採擷和股票投資方法。具體而言，本書從不同的角度，以股票實際應用為導向，始終以實際案例講解應用之下的技術和理論。本書對每個股票應用案例都有詳細的解析，全面介紹了如何將一個實際問題抽象和轉化為資料採擷的問題，讓讀者明白來龍去脈。在過去的1

5年裡，筆者一直從事資料採擷和股票投資方面的學習和研究，本書也算是筆者本人過去多年學習和研究的總結。

家長式領導與教練選手同盟關係、 運動倦怠之關係研究

為了解決cart中文的問題，作者吳浚弘 這樣論述：

過去國內探討教練與選手之間的關係，大多採用究以採用 3+1Cs 教練 選手關係模式，國內尚未有學者將同盟關係的概念運用在運動與體育領域 。 教練選手同盟關係 聚 焦於教練選手 彼此合作 、 站在同一陣線的概念，補足了過去教練選手關係研究之不足，故本研究認為有其更深入探究之必要性。基於上述，本研究主要目的在於： 一 )探討高中男子甲組籃球選手在家長式教練領導、教練選手同盟關係與運動倦怠之現況； 二 ) 探討家長式教練領導、教練選手同盟關係、運動倦怠之相關情形； 三 ) 探討教練選手同盟關係在家長式教練領導和運動倦怠之間扮演的中介角色。本研究以經驗取樣法進行縱貫式的資料蒐集，收取連續資料以試圖更

深入的了解家長式教練領導、教練選手同盟關係與運動倦怠之間的關係。研究對象為 48 位 高中男 子甲組籃球選手，共 獲得 192 筆有效資料 ，就所得資料進行描述性統計、皮爾森積差相關與迴歸等統計方法進行資料分析。 研 究結果如下： 一 ) 才德領導、仁慈領導與教練選手同盟關係呈正相關，而才德領導、仁慈領導與運動倦怠呈負相關； 二 ) 才德領導與仁慈領導會透過教練選手同盟關係進而對運動倦怠 有負向預測 三 ) 高中男子甲組籃球選手的教練選手同盟關係對才德領導 、 仁慈領導與運動的貶價、降低成就感間有著部份 或完全 中介的效果。本研究結果可以提供高中甲組教練與選手作為參考，並建議在為來研究上持續探

討教練選手同盟關係，期許未來 有更全面性的研究成果。