計算社會科學導論

本書精心選擇了回歸分析、機器學習、聚類分析、神經網絡分析、自然語言處理、電腦視覺、社會網絡分析、ABM等內容。通過飛槳平臺提供多種開發工具和預訓練模型，以及詳細的幫助文檔和課程，讓廣大師生快速有效地開展學習和研究。 本書是一本開源的、不斷更新的、“適文化”的教材，可作為人文社科類學生學習計算社會科學的入門教材，目的是讓他們瞭解計算社會科學主要的研究議題、研究方法、源起和發展，從而開啟他們的學習與探索之旅。本書也可以供計算社會科學相關專業學生和研究者來瞭解“社會科學家們到底在做什麽？”，有助於計算社會科學相關專業學習人員提高人文素養。

目錄

基礎理論篇

第1章緒論

1.1實證社會科學的困境

1.2計算社會科學簡史

1.2.1兩大傳統

1.2.2未來挑戰

1.3計算社會科學的基礎問題

1.3.1概念界定

1.3.2學科邊界

1.3.3研究範式

1.3.4研究方法

1.4如何使用本書？

習題1

第2章Python語言入門

2.1Python語言簡介

2.1.1簡介

2.1.2歷史

2.1.3Python與計算社會科學

2.2Python的安裝

2.2.1在Windows上安裝Python

2.2.2在macOS上安裝Python

2.2.3Anaconda安裝

2.2.4PyCharm安裝

2.2.5AI Studio調用

2.3Python基礎語法

2.3.1數據結構類型

2.3.2條件語句

2.3.3循環語句

2.3.4函數

2.3.5庫(包)

2.3.6案例： 政府工作報告熱點分析

2.4搜集數據： 網絡爬蟲簡介

2.4.1什麽是網絡爬蟲

2.4.2利用Python進行爬蟲

本章小結

習題2

機器學習篇

第3章回歸分析

3.1算法基礎

3.1.1線性回歸的基本原理

3.1.2線性回歸模型的評估指標

3.1.3方差與偏差的權衡

3.1.4過擬合與欠擬合

3.2嶺回歸

3.2.1對嶺回歸的理解

3.2.2調參

3.2.3案例1： 如何預測居民的幸福度

3.3拉索回歸

3.3.1對拉索回歸的理解

3.3.2貝葉斯角度理解嶺回歸與拉索回歸

3.3.3案例2： 如何預測住院群體的醫療支出

3.4彈力網

3.4.1對彈力網的理解

3.4.2案例3： 如何預測小麥產量

本章小結

習題3

第4章非參數監督學習

4.1K近鄰法

4.2決策樹

4.2.1決策樹是什麽？

4.2.2案例1： 申請研究生的錄取率預測

4.3集成學習

4.3.1袋裝法

4.3.2隨機森林

4.3.3提升法

4.3.4案例2： 員工離職率預測

本章小結

習題4

第5章聚類分析

5.1計算社會科學也需要聚類分析

5.2聚類分析基礎

5.2.1距離： 如何測量兩個人的相似程度？

5.2.2聚類結果的性能評估

5.2.3聚類結果的選擇與解讀

5.3原型聚類

5.3.1經典聚類算法： Kmeans

5.3.2其他原型聚類算法

5.3.3案例1： 強基建與促發展——中國村莊發展的類型差異

5.4密度聚類與層次聚類

5.4.1密度聚類

5.4.2層次聚類

5.4.3案例2： 關註與忽略——中國家庭教育的不同模式

5.5聚類分析展望

本章小結

習題5

文本與圖像分析篇

第6章神經網絡

6.1神經網絡簡史

6.2神經網絡原理

6.2.1感知器(Perceptron)

6.2.2反向傳播算法思想

6.3捲積神經網絡

6.3.1感受野

6.3.2共享參數

6.3.3池化

6.3.4拉平和SoftMax

6.3.5應用場景

6.4案例分析

6.4.1案例1： 單體漢字書法識別

6.4.2案例2： 文本自動生成

本章小結

習題6

第7章自然語言處理

7.1自然語言處理基礎

7.1.1“是什麽”： 自然語言的特點

7.1.2“做什麽”： 自然語言處理的任務

7.1.3“怎麽做”： 自然語言處理的演進

7.2詞法分析: 分詞、詞性標註與命名實體識別

7.2.1中文分詞

7.2.2詞性標註

7.2.3命名實體識別

7.2.4案例1： 使用BaiduLAC進行詞法分析

7.3信息提取

7.3.1關鍵詞提取

7.3.2關鍵句提取

7.3.3實體關系抽取

7.3.4案例2： 信息抽取

7.4文本分類與文本聚類

7.4.1文本分類

7.4.2文本聚類

7.4.3案例3： 謠言分類

7.4.4案例4： 通過LDA主題模型進行主題聚類

本章小結

習題7

第8章電腦視覺

8.1電腦視覺基礎

8.1.1電腦視覺簡史

8.1.2圖像形成

8.2識別

8.2.1圖像分類

8.2.2目標檢測

8.2.3圖像分割

8.2.4視頻理解

8.2.5案例1： 漢字書法場景識別

8.3特徵提取

8.3.1邊緣檢測

8.3.2輪廓追蹤

8.3.3案例2： 假的真不了？

8.4圖像對齊與拼接

8.4.1圖像對齊

8.4.2圖像拼接

8.4.3圖像合成

8.5運動估計

8.5.1平移對齊和光流

8.5.2運動追蹤

8.5.3案例3： 老照片翻新

本章小結

習題8

復雜性與網絡分析篇

第9章社會網絡分析基礎

9.1社會網絡語境下圖的基本構成： 點與邊的意義

9.2線性視角下的局部流動性： 游走、路徑及連通性的相關概念

9.3二模圖與結構等價

9.4圖的密度與集聚

9.4.1密度

9.4.2從局部到宏觀： 三元組(Triad)與集聚系數

(Clustering Coefficient)

9.4.3弱連帶與結構洞

9.5中心度及其相關概念

9.6社區挖掘： 聚類研究在社會網絡中的拓展

本章小結

習題9

第10章社會網絡數據與分析

10.1自我中心網絡

10.2邊界的界定

10.3網絡分析的未來

10.4案例

10.4.1案例1： 佛羅倫薩與美第奇家族的崛起

10.4.2案例2： 美國的政治極化與博客域(Blogosphere)

10.4.3案例3： 網絡游走與知識創新

本章小結

習題10

第11章基於多主體建模與模擬

11.1ABM定義與核心概念

11.2ABM簡史與經典案例

11.2.1ABM的先驅學者

11.2.2案例1： 隔離模型

11.3ABM的特點

11.3.1ABM: 一種社會模擬建模方法

11.3.2計算社會科學中的ABM

11.3.3此模型非彼模型: ABM與實證社會科學

11.4ABM的軟件實現

11.5社會科學中的ABM應用

11.5.1驗證經典理論

11.5.2解釋宏觀現象

11.5.3預測： 決策科學的革命

11.5.4案例2： 風險認知信息的傳播模型

11.6ABM的未來

本章小結

習題11

附錄AR語言入門

附錄B飛槳全景與平臺應用

附錄C計算社會科學相關網站

附錄D專業詞匯中英文對照表

後記