Activity Learning — 從傳感器資料中發現、識別和預測人的行為 (簡體中文版)(Activity Learning: Discovering, Recognizing, and Predicting Human Behavior from Sensor Data)

Diane J. Cook , Narayanan C. Krishnan 著

立即出貨

買這商品的人也買了...

相關主題

商品描述

<內容介紹> 

庫克所著的《中文版Activity Learning--從傳感器數據中發現識別和預測人的行為》一書深入分析了傳感器數據的活動學習的計算方法。每章都提供了實用且詳細的步驟,介紹瞭如何分析和處理傳感器數據。該書介紹了以下活動學習的方法:
    發現基於行為的傳感器數據中出現的活動模式
    實時識別預定義或被發現的活動的出現
    預測活動的出現
    本書介紹的方法適用於許多領域,如安全、電信、醫療保健、智能電網、住宅自動化。本書的在線網站允許讀者測試本書介紹的方法,並且可以修改供自己使用。
    本書將重點放在計算方法上,因此為研究生和研究人員提供活動學習的演算法。

<章節目錄>

第1章  引言
第2章  活動
  2.1  活動的定義
  2.2  活動的分類
  2.3  補充閱讀
第3章  傳感技術
  3.1  用於活動學習的傳感器
    3.1.1  環境傳感器
    3.1.2  可隨身佩戴的傳感器
  3.2  傳感器數據集樣本
  3.3  特徵量
    3.3.1  序列特徵量
    3.3.2  離散事件特徵量
    3.3.3  統計特徵量
    3.3.4  譜特徵量
    3.3.5  活動背景的特徵量
  3.4  多傳感器融合
  3.5  補充閱讀
第4章  機器學習
  4.1  監督學習
  4.2  樸素貝葉斯分類器
  4.3  高斯混合模型
  4.4  隱馬爾可夫模型
  4.5  決策樹
  4.6  支持向量機
  4.7  條件隨機場
  4.8  分類器的組合模型
    4.8.1  提升
    4.8.2  袋化
  4.9  降維技術
  4.10  補充閱讀
第5章  活動識別
  5.1  活動分割
  5.2  滑動窗口
    5.2.1  時基窗口分割
    5.2.2  基於大小的窗口分割
    5.2.3  給窗口內的事件分配權值
    5.2.4  動態窗口大小
  5.3  無監督分割
  5.4  性能測量
    5.4.1  基於分類器的活動識別性能指標
    5.4.2  基於事件的活動識別性能指標
    5.4.3  評估活動識別的實驗框架
  5.5  補充閱讀
第6章  活動發現
  6.1  零樣本學習
  6.2  序列挖掘
    6.2.1  基於頻率的序列挖掘
    6.2.2  基於壓縮比的序列挖掘
  6.3  聚類

  6.4  主題模型
  6.5  性能測量指標
  6.6  補充閱讀
第7章  活動預測
  7.1  活動序列預測
  7.2  活動預報
  7.3  基於概率圖的活動預測
  7.4  基於規則的活動時序預測
  7.5  性能測量
  7.6  補充閱讀
第8章  活動學習存在的實際問題
  8.1  收集帶標籤的傳感器數據
  8.2  遷移學習
    8.2.1  實例遷移和標籤遷移
    8.2.2  無共生數據的特徵遷移
    8.2.3  有共生數據的知情特徵遷移
    8.2.4  用教師-學生模型實現共生數據的不知情特徵遷移
    8.2.5  用特徵空間對齊方法實現共生數據的不知情特徵遷移
  8.3  多標籤學習
    8.3.1  問題變換
    8.3.2  標籤相關性利用
    8.3.3  多標籤學習演算法的性能評估
  8.4  多個體的活動學習
    8.4.1  學習群體活動
    8.4.2  訓練一個測試多個
    8.4.3  分離事件流
    8.4.4  跟蹤多用戶
  8.5  補充閱讀
第9章  活動學習的實際應用
  9.1  健康
  9.2  活動感知服務
  9.3  安全與應急處理
  9.4  活動重構、表示和可視化
  9.5  分析人類的動態行為
  9.6  補充閱讀
第10章  活動學習的未來
附錄A 活動樣本數據
附錄B 參考文獻