推荐序一
推荐序二
前言
第0章 绪论
0.1 社会学发展历程
0.2 计算社会学发展历程
0.2.1 计算社会学的孕育期：20世纪90年代至2009年
0.2.2 计算社会学的黄金期：2009年至今
0.3 计算社会学主要研究内容
0.3.1 社交大数据的获取与分析
0.3.2 基于大数据的定量化研究
0.3.3 ABM模拟的仿真模型研究
0.4 新型社会计算系统的研制与开发
习题
参考文献
第一篇 基础支撑理论与算法篇
第1章 图论
1.1 图的基本概念
1.1.1 图的定义
1.1.2 图的基本术语
1.2 图的存储表示
1.2.1 邻接矩阵存储法
1.2.2 邻接表存储法
1.2.3 十字链表存储法
1.2.4 邻接多重表存储法
1.3 图的遍历
1.3.1 广度优先搜索
1.3.2 深度优先搜索
1.4 图的相关应用
1.4.1 最小生成树
1.4.2 AOV网与拓扑排序
1.4.3 AOE网与关键路径
1.4.4 最短路径
小结
习题
参考文献
第2章 理论方法概述
2.1 机器学习概览
2.1.1 机器学习基本概念
2.1.2 发展历程
2.1.3 基本流程
2.2 数据预处理
2.2.1 数据清洗
2.2.2 数据集成
2.2.3 数据归一化
2.3 特征抽取与选择
2.3.1 特征抽取
2.3.2 特征选择
2.4 经验误差与测试误差
2.4.1 误差来源与定义
2.4.2 欠拟合与过拟合
2.5 模型评估与选择
2.5.1 正则化
2.5.2 交叉验证
2.5.3 性能度量
小结
习题
参考文献
第3章 线性模型
3.1 基本形式
3.2 线性回归
3.3 逻辑回归
3.4 线性判别分析
3.4.1 基本思想
3.4.2 算法原理
小结
习题
参考文献
第4章 聚类
4.1 聚类任务
4.1.1 聚类任务描述
4.1.2 聚类算法的划分
4.1.3 距离度量
4.1.4 评价函数
4.2 基于划分的聚类算法
4.2.1 K-均值算法
4.2.2 K-中心点算法
4.3 基于层次的聚类算法
4.3.1 AGNES算法
4.3.2 DIANA算法
4.3.3 BIRCH算法
4.4 基于密度的聚类算法
小结
习题
参考文献
第5章 分类
5.1 决策树
5.1.1 决策树模型与学习
5.1.2 特征选择
5.1.3 决策树的生成
5.1.4 决策树的剪枝
5.2 贝叶斯分类
5.2.1 贝叶斯决策论
5.2.2 参数估计方法
5.2.3 朴素贝叶斯
5.2.4 EM算法
5.3 支持向量机
5.3.1 间隔与支持向量
5.3.2 对偶问题
5.3.3 核函数
5.3.4 软间隔
5.4 集成学习
5.4.1 个体与集成
5.4.2 Boosting算法
5.4.3 Bagging算法
5.4.4 结合策略
小结
习题
参考文献
第6章 神经网络
6.1 神经元模型
6.1.1 神经元模型的结构
6.1.2 激活函数
6.1.3 常见激活函数
6.2 感知机
6.2.1 感知机的概念及模型结构
6.2.2 感知机的效果
6.2.3 多层感知机的概念及模型结构
6.3 误差反向传播算法
6.3.1 误差反向传播算法的概念
6.3.2 信息前向传播
6.3.3 误差反向传播
6.4 其他常见的神经网络模型
6.4.1 玻尔兹曼机
6.4.2 深度信念网络
6.4.3 脉冲神经网络
小结
习题
参考文献
第7章 深度学习网络
7.1 深度学习网络概述
7.2 卷积神经网络
7.2.1 网络结构
7.2.2 经典模型
7.3 循环神经网络
7.3.1 网络结构
7.3.2 长短期记忆网络
7.4 图神经网络
7.4.1 网络结构
7.4.2 图神经网络模型
7.5 网络训练优化
7.5.1 梯度爆炸与梯度消失
7.5.2 梯度下降优化策略
7.5.3 过拟合消减优化策略
小结
习题
参考文献
第8章 高级神经网络框架
8.1 自编码器
8.1.1 预备知识
8.1.2 自编码器架构
8.1.3 经典自编码器模型
8.1.4 变分自编码器
8.2 编-解码器框架
8.2.1 编-解码器基本框架
8.2.2 经典编-解码结构模型
8.3 注意力机制
8.3.1 标准注意力机制
8.3.2 注意力形式
8.3.3 Transformer模型
8.4 生成对抗网络
8.4.1 GAN的基本原理
8.4.2 经典GAN模型
8.4.3 生成对抗网络的应用
小结
习题
参考文献
第二篇 社会网络分析篇
第9章 网络结构与联系
9.1 三元闭包
9.1.1 三元闭包定义
展开
