统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等

2.1 数据信息的表示方法 2.1.1进位计数制及转换 2.1.2 机器数的编码格式 2.1.3 数值数据的表示方法 2.1.4 字符的表示 2.2 MIPS指令集 2.2.1 基本概念 2.2.2 MIPS的操作数 2.2.3 MIPS指令的表示 2.2.4 逻辑操作 2.2.5 决策指令 2.2.6 硬件对过程的支持 2.2.7 MIPS中32位立即数和寻址 2.2.8 翻译并执行程序

程序设计 线性代数 数据结构 运筹学 计算机网络 数据库原理及应用 管理信息系统开发方法 电子商务技术 基于网络的信息系统设计与实现》 计算机组成原理 会计学原理 理学院《操作系统 生产与运作管理 高级运筹学 管理沟通 管理礼仪 技术经济学 市场营销学 金融学 财务管理 面向对象程序设计 经济预测与决策分析 资本投资学 会计电算化 国际商务 Web 程序设计 项目管理 物流管理 信息系统的管理 决策支持系统 风险管理 ERP 系统 信息管理与信息系统专题 JAVA 编程语言 电子商务概论

本章首先从物流的数据处理和企业决策 的相关关系入手,分析物流信息系统的 基本构成、总体结构和功能,以及体系 中各系统的信息关联与区别,分析物流 决策支持层次以及可能性,介绍物流专 家系统。 本章的目的就是为企业根据自身特点和 需求选择最佳的物流信息系统建设方案, 以及企业的信息建设应该如何实施和发 展提供清晰的思路

基于证据理论研究了多专家求解策略。依靠证据的积累不断缩小假设集,来逼近真值,能比较直观地反映多专家意见综合的结果,因而使决策具有很强的科学性.此理论在加热炉异常现象诊断专家系统中应用,效果理想

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时——频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性

机器学习是计算机科学的重要分支领域，本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1~3章）介绍机器学习的基础知识：第2部分（第4~10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习)：第3部分（第11~16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索

脏腑定位，即明确病变所在的脏腑，是中医脏腑辨证的重要阶段。本文旨在通过神经网络模型搭建中医脏腑定位模型，输入症状文本信息，输出对应的病变脏腑标签，为实现中医辅助诊疗的脏腑辨证提供支持。将中医的脏腑定位问题建模为自然语言处理中的多标签文本分类问题，基于中医的医案数据，提出一种基于预训练模型ALBERT和双向门控循环单元（Bi-GRU）的脏腑定位模型。对比实验和消融实验的结果表明，本文提出的方法在中医脏腑定位的问题上相比于多层感知机模型、决策树模型具有更高的准确性，与Word2Vec文本表示方法相比，本文使用的ALBERT预训练模型的文本表示方法有效提升了模型的准确率。在模型参数上，ALBERT预训练模型相比BERT模型降低了模型参数量，有效减小了模型大小。最终，本文提出的脏腑定位模型在测试集上F1值达到了0.8013

非对称的CVC工作辊与对称支持辊辊形配置易导致下游机架支持辊辊形自保持性差.利用ANSYS有限元软件分析F4机架常规支持辊磨损对轧机板形调控性能及辊间接触压力分布的影响,发现严重的支持辊不均匀磨损会影响轧机的板形控制稳定性,并导致支持辊剥落增加辊耗.基于有限元分析提出一种新的支持辊辊形,实验证明新辊形具有良好的自保持性,可在整个服役期内稳定发挥其性能,并在支持辊服役后期缓解辊间接触压力尖峰的出现

热轧支持辊的健康状态在带钢板形质量和轧制稳定性控制中起着关键作用，非线性、强耦合、少样本等特点使得热轧支持辊健康状态的预测复杂，目前各大钢厂仍以定期维护和事后维修为主。本文提出了一种支持辊虚拟健康指数的构建方法以及基于Copula函数的复杂工况健康状态预测模型。首先结合支持辊弯窜辊数据表征支持辊健康状态，再使用K-means聚类方法对支持辊工况进行划分，将各工况下过程数据分别构建Copula预测模型，最后根据实际轧制计划的排布顺序融合各工况模型的预测结果。提出的基于Copula函数的预测模型在某钢厂1780热连轧产线得到应用，结果表明，该模型能够准确有效的按照轧制计划实现支持辊的健康状态预测，以更科学的策略指导支持辊更换维护