本书编写的目的是向读者介绍医学大数据分析的常用方法和相应的技术应用。全书共14 章，具体内容包括医学大数据概述、常用大数据工具、医学大数据的获取、数据预处理、回归分析、数据降维、关联规则、分类方法、聚类分析方法、时间序列分析、人工神经网络、马尔可夫预测、医学文本数据分析、医学图像数据分析。

本书将理论与实践操作相结合，系统讲解常用的医学大数据分析算法和不同类型数据的分析方法，通过大量的医学案例帮助读者快速掌握和应用大数据分析相关技术。

本书可以作为高等学校医学生大数据分析课程的教材使用，也可供对医学大数据分析感兴趣的专业技术人员阅读。

前辅文
第一章 医学大数据概述
  1.1 基础知识
   1.1.1 大数据的概念
   1.1.2 医学大数据的概念
   1.1.3 医学大数据的种类
   1.1.4 医学大数据的特征
  1.2 医学大数据分析的特点
   1.2.1 与传统分析方法比较
   1.2.2 大数据分析的类型
   1.2.3 大数据分析技能
  1.3 医学大数据应用
  1.4 医学数据的伦理问题
   1.4.1 医学数据及其处理为何涉及伦理问题
   1.4.2 医学数据分析伦理的法律基础
   1.4.3 医学数据相关研究的伦理审查
   1.4.4 医学数据相关研究的知情同意和知情同意豁免
   1.4.5 医学数据相关研究的伦理要求进一步解读
  思考题
第二章 常用大数据工具
  2.1 Hadoop简介
   2.1.1 Hadoop结构
   2.1.2 Hadoop特点
  2.2 Python简介
   2.2.1 Python的特点
   2.2.2 Python环境介绍
  2.3 R语言简介
   2.3.1 R语言主要功能
   2.3.2 R语言特点
   2.3.3 R语言环境介绍
   2.3.4 R语言基础
  2.4 MATLAB简介
   2.4.1 MATLAB主要功能
   2.4.2 MATLAB特点
   2.4.3 Matlab环境介绍
  2.5 Weka简介
  思考题
第三章 医学大数据的获取
  3.1 医学大数据的来源
  3.2 结构化数据的获取
  3.3 非结构化数据的获取
   3.3.1 网络爬虫
   3.3.2 基于API的数据获取
   3.3.3 APP数据的获取
  3.4 生物组学大数据的获取
   3.4.1 生物组学大数据的类型
   3.4.2 组学大数据资源及获取
  3.5 医学公共数据库的获取
  思考题
第四章 数据预处理
  4.1 为什么要进行数据预处理
  4.2 数据对象及数据描述
   4.2.1 数据对象
   4.2.2 属性类型
   4.2.3 数据的基本统计描述
  4.3 数据预处理的主要方法
   4.3.1 数据提取
   4.3.2 数据集成
   4.3.3 数据清理
   4.3.4 数据变换
   4.3.5 数据压缩
  4.4 数据预处理实例——乳腺癌数据集
  思考题
第五章 回归分析
  5.1 回归概述
  5.2 线性回归
   5.2.1 一元线性回归
   5.2.2 多元线性回归
   5.2.3 最优回归方程的选择
  5.3 非线性回归
   5.3.1 线性化方法
   5.3.2 直接最小二乘法
   5.3.3 二步法
   5.3.4 多项式回归法
  5.4 logistic回归
   5.4.1 logistic回归模型
   5.4.2 logistic回归参数的意义
   5.4.3 logistic 回归的参数估计
   5.4.4 logistic 回归的假设检验
   5.4.5 logistic回归在R中的实现
   5.4.6 应用实例
  思考题
第六章 数据降维
  6.1 数据降维概述
  6.2 主成分分析方法
   6.2.1 主成分分析基本原理
   6.2.2 主成分分析应用实例
  6.3 Lasso算法*
   6.3.1 Lasso算法基本原理
   6.3.2 Lasso算法在R语言中的实现
   6.3.3 Lasso算法的应用实例
  思考题
第七章 关联规则
  7.1 关联规则概述
  7.2 关联规则算法
   7.2.1 Apriori算法
   7.2.2 FP-Growth算法
  7.3 关联规则评估方法
   7.3.1 强关联规则的意义
   7.3.2 从关联分析到相关分析
  7.4 关联规则的R语言实现
   7.4.1 关联规则R语言用法
   7.4.2 关联规则应用实例
  思考题
第八章 分类方法
  8.1 什么是分类
  8.2 决策树
   8.2.1 决策树概述
   8.2.2 ID3算法
   8.2.3 ID3算法在R中的实现
   8.2.4 分类算法应用实例——乳腺癌患病预测
   8.2.5 其他决策树算法
  8.3 随机森林*
   8.3.1 随机森林概述
   8.3.2 随机森林算法在R中的实现
   8.3.3 随机森林算法应用实例——乳腺癌患病预测
  8.4 朴素贝叶斯分类
   8.4.1 朴素贝叶斯分类介绍
   8.4.2 朴素贝叶斯分类在R中的实现
   8.4.3 朴素贝叶斯分类应用实例——乳腺癌患病预测
  8.5 分类算法评估
   8.5.1 评估算法性能的度量——混淆矩阵
   8.5.2 分类算法的评估方法
   8.5.3 分类算法的评估实例
  思考题
第九章 聚类分析方法
  9.1 什么是聚类分析方法
  9.2 聚类分析方法与分类方法的区别
  9.3 划分方法
   9.3.1 距离度量
   9.3.2 k-均值聚类算法
   9.3.3 k-中心点聚类
   9.3.4 划分方法在R中的实现
  9.4 层次聚类
   9.4.1 层次聚类算法概述
   9.4.2 层次聚类算法在R中的实现
  9.5 聚类算法的评估
   9.5.1 确定簇数
   9.5.2 测定聚类质量
  思考题
第十章 时间序列分析*
  10.1 时间序列概述
   10.1.1 时间序列基本概念
   10.1.2 时间序列的分类
   10.1.3 时间序列的基本分析方法
   10.1.4 时间序列的分解与基本特征
  10.2 时间序列基本模型
   10.2.1 确定性时间序列模型
   10.2.2 随机性时间序列模型
  思考题
第十一章 人工神经网络*
  11.1 人工神经网络与深度学习概述
  11.2 神经网络结构与工作原理
   11.2.1 人工神经网络模型
   11.2.2 基于误差的反向传播算法的神经网络
  11.3 卷积神经网络
   11.3.1 卷积神经网络简介
   11.3.2 卷积神经网络的结构
  11.4 LSTM神经网络
   11.4.1 递归神经网络
   11.4.2 长短期记忆网络的原理及结构
  11.5 神经网络部分算法的R语言实现
   11.5.1 神经网络R语言用法
   11.5.2 神经网络应用实例
  思考题
第十二章 马尔可夫预测*
  12.1 基本概念
   12.1.1 随机过程和马尔可夫过程
   12.1.2 马尔可夫链
   12.1.3 马尔可夫预测法
  12.2 状态转移矩阵
   12.2.1 状态
   12.2.2 状态转移概率矩阵
  12.3 稳态概率
   12.3.1 平稳分布
   12.3.2 稳态分布
   12.3.3 应用举例
  12.4 马尔可夫预测
   12.4.1 马尔可夫预测的步骤
   12.4.2 马尔可夫预测应用实例
  思考题
第十三章 医学文本数据分析
  13.1 文本数据分析概述
   13.1.1 医学文本数据的类型
   13.1.2 医学文本分析的难点
  13.2 文本数据分析流程
   13.2.1 分词
   13.2.2 停用词
   13.2.3 标准化
   13.2.4 文本特征提取 
   13.2.5 文本分析处理
  13.3 文本分析应用实例——主题词云
  思考题
第十四章 医学图像数据分析
  14.1 医学图像数据分析概述
   14.1.1 医学图像数据分析的意义
   14.1.2 常见的医学图像
   14.1.3 医学图像处理分析的特点
  14.2 基于人工智能的医学图像大数据分析
   14.2.1 基于人工智能的医学图像大数据分析流程
   14.2.2 医学图像数据预处理技术
   14.2.3 医学图像分割技术
   14.2.4 医学图像大数据特征提取技术
   14.2.5 医学图像大数据智能诊断技术
  14.3 基于人工智能的医学图像辅助诊断实例——肝纤维化辅助诊断
   14.3.1 数据介绍
   14.3.2 系统框架
  思考题
参考文献