 方法性工具  差分运算  延迟算子  线性差分方程  ARMA模型  AR模型（Auto Regression Model）  MA模型（Moving Average Model）  ARMA模型（Auto Regression Moving Average model）  平稳序列建模  序列预测  建模步骤  模型识别  参数估计  模型检验  模型优化  序列预测

1 Markov Chain Monte Carlo Methods 1.1 Introduction 1.1.1 Integration problems in Bayesian inference 1.1.2 Markov Chain Monte Carlo Integration 1.1.3 Markov Chain 1.2 The Metropolis-Hastings Algorithm 1.2.1 Metropolis-Hastings Sampler 1.2.2 The Metropolis Sampler 1.2.3 Random Walk Metropolis 1.2.4 The Independence Sampler 1.3 Single-component Metropolis Hastings Algorithms 1.4 Application: Logistic regression

1 Markov Chain Monte Carlo Methods 1.4 The Gibbs Sampler 1.4.1 The Slice Gibbs Sampler 1.5 Monitoring Convergence 1.5.1 Convergence diagnostics plots 1.5.2 Monte Carlo Error 1.5.3 The Gelman-Rubin Method 1.6 WinBUGS Introduction 1.6.1 Building Bayesian models in WinBUGS 1.6.2 Model specification in WinBUGS 1.6.3 Data and initial value specification 1.6.4 Compiling model and simulating values

1 EM optimization method 1.1 EM algorithm 1.2 Convergence 1.3 Usage in exponential families 1.4 Usage in finite normal mixtures 1.5 Variance estimation 1.5.1 Louis method 1.5.2 SEM algorithm 1.5.3 Bootstrap method 1.5.4 Empirical Information 1.6 EM Variants 1.6.1 Improving the E step 1.6.2 Improving the M step 1.7 Pros and Cons

7.1 汉语自动分词中的基本问题 7.2 基本分词方法 7.3 未登录词处理方法概述 7.4 基于多特征的命名实体识别模型 7.5 词性标注 7.6 词性标注的一致性检查与自动校对 7.7 汉语分词与词性标注系统评测

第一部分公式体系及其解释 第一章量子论的起源 第二章物质波与薛定谔方程 第三章一维量子化体系 第四章 统计解释与测不准关系 第五章 波动力学的发展及其解释 第六章 经典近似与WKB方法 第七章 量子论的一般形式(A)数学框架 第八章 量子论的一般形式(B)物理内容 第二部分简单体系 第九章分离变量中心势 第十章散射问题相移 第十一章库仑相互作用 第十二章谐振子

1.1光电系统描述 1.2光接收机视场 1.3光电探测器的物理效应 1.4光电转换定律和光电子计数统计 1.5光电探测器性能参数 1.6光电探测器的噪声 1.7幅度学与光度学 1.8背景辐射 1.9探测器光谱响应率函数的测试方法

3.1直接探测系统性能分析 3.2提高输入S/N的方法 3.3前置放大器的噪声匹配 3.4阈值探测的光电探测统计 3.5相关检测

12.1 聚类分析的基本原理 12.1.1 什么是聚类分析? 12.1.2 相似性的度量 12.2 层次聚类 12.2.1 层次聚类的两种方式 12.2.2 类间距离的计算方法 12.2.3 层次聚类的应用 12.3 K-均值聚类 12.3.1 K-均值聚类的基本过程 12.3.2 K-均值聚类的应用 12.3.3 使用聚类方法的注意事项

1 Numerical optimization methods in R 1.1 Root-finding in one dimension 1.1.1 Bisection method 1.1.2 Brent’s method 1.1.3 Newton’s method 1.1.4 Fisher scoring 1.2 multivariate optimization 1.2.1 Newton’s method and Fisher scoring 1.3 Numerical Integration 1.4 Maximum Likelihood Problems 1.5 Optimization Problems 1.5.1 One-dimension Optimization 1.5.2 multi-dimensional Optimization 1.6 Linear Programming