空间智能计算旨在理解和模拟人类的学习、感知、推理、行动，对空间大数据进行挖掘与分析，协助解决自然、社会中存在的实际问题。作者结合多年的教学和科研体会，在重视与地理信息科学专业空间数据分析课程衔接的基础上，遵循从理论基础到实际应用的主线，强调不同方法之间相互关联的逻辑关系，以全新视角构建了空间智能计算的知识体系。本书共六个部分16章，主要内容包括：概念认识、学习、不确定知识与推理感知与行动、可视化、人工智能，力求深浅出地为读者提供空间智能计算的思路、方法和应用途径。
本书既可作为地理信息科学专业及相关专业本科生、研究生的教材，也可供科研工作者参考。

前言
章 空间大数据
1.1 概述
1.1.1 空间大数据的概念
1.1.2 空间大数据的特征
1.1.3 空间大数据时代的挑战
1.2 空间大数据的获取
1.2.1 来源
1.2.2 获取方式
1.2.3 数据清洗
1.3 空间大数据的管理
1.3.1 云计算
1.3.2 管理框架
1.4 空间大数据分析
1.4.1 分析框架
1.4.2 空间智能计算
1.5 本书内容与章节安排
第2章 学习原理
2.1 学习任务与经验
2.1.1 学习任务
2.1.2 学习经验
2.2 性能度量
2.2.1 ROC与AUC
2.2.2 容量、过拟合和欠拟合
2.2.3 超参数和验证集
2.2.4 偏差和方差
第3章 聚类、分类与回归
3.1 DBSCAN算法
3.1.1 基本概念
3.1.2 算法描述
3.1.3 与传统聚类方法的对比
3.1.4 实例
3.2 投影寻踪聚类算法
3.2.1 基本原理
3.2.2 投影指标
3.2.3 算法描述
3.2.4 投影寻踪聚类实例
3.3 贝叶斯算法
3.3.1 贝叶斯分类
3.3.2 贝叶斯回归
3.4 支持向量机算法
3.4.1 支持向量机分类
3.4.2 支持向量机回归
3.4.3 支持向量机分类SVC 实例
3.4.4 支持向量机回归SVR 实例
3.5 神经网络算法
3.5.1 原理及学习过程
3.5.2 BP神经网络
3.5.3 BP神经网络实例
3.5.4 其他几种算法
3.6 决策树算法
3.6.1 基本原理
3.6.2 具体算法描述
3.6.3 实例
3.7 集成学习
3.7.1 原理概述
3.7.2 bagging
3.7.3 boosting
3.7.4 stacking
3.7.5 实例
3.8 随机森林
3.8.1 概述与算法流程
3.8.2 特征重要性评估
3.8.3 实例
3.9 提升方法
3.9.1 Adaboost
3.9.2 提升树
3.10 迁移学习
3.10.1 概述
3.10.2 分类
3.10.3 实例
第4章 关联规则
4.1 基本概念
4.1.1 定义
4.1.2 分类
4.1.3 挖掘过程
4.2 相关算法
4.2.1 Apriori算法
4.2.2 FP-Growth算法
4.2.3 多层关联规则挖掘算法
4.2.4 多维关联规则挖掘算法
第5章 优化
5.1 算法分类
5.1.1 贪心算法
5.1.2 启发式算法
5.2 蚁群算法
5.2.1 基本思想
5.2.2 算法原理
5.2.3 实例
5.3 人工鱼群算法
5.3.1 基本概念
5.3.2 行为描述
5.3.3 算法步骤
5.3.4 比较分析
5.3.5 实例
5.4 蜂群算法
5.4.1 基于蜜蜂繁殖机理的蜂群算法
5.4.2 基于蜜蜂采蜜机理的蜂群算法
5.4.3 人工蜂群算法函数优化实例
5.5 粒子群优化算法
5.5.1 概述
5.5.2 实例
5.6 遗传算法
5.6.1 有关概念及实现过程
5.6.2 基于实数编码的遗传算法
5.6.3 操作过程
5.6.4 特点
5.6.5 实例
5.7 禁忌搜索算法
5.7.1 概述
5.7.2 实例
5.8 模拟退火算法
5.8.1 基本原理
5.8.2 算法步骤
5.8.3 实例
第6章 深度学习
6.1 深度学习发展史
6.1.1 起源阶段
6.1.2 发展阶段
6.1.3 爆发阶段
6.2 深度学习的常用方法
6.2.1 自动编码器
6.2.2 深度前馈神经网络
6.2.3 深度卷积神经网络
6.2.4 深度置信网络
6.2.5 深度融合网络
6.2.6 深度强化学习
6.3 深度学习平台
6.3.1 TensorFlow
6.3.2 Caffe
6.3.3 Theano
6.3.4 Torch
第7章 面向数据流的学习方法
7.1 概述
7.1.1 数据流处理的特点
7.1.2 数据流的基本模型
7.2 面向数据流的处理技术
7.2.1 窗口技术
7.2.2 动态抽样技术
7.2.3 概要数据结构
7.2.4 更新策略
7.3 面向数据流的学习算法
7.3.1 数据流聚类算法
7.3.2 数据流分类算法
7.4 分形学习
7.4.1 分形聚类算法
7.4.2 分形分类
第8章 概率推理
8.1 不确定性的量化
8.1.1 推理的不确定性
8.1.2 利用概率量化不确定性
8.1.3 使用完全联合分布进行计算
8.1.4 使用朴素贝叶斯模型降低计算量
8.2 普通概率推理
8.2.1 贝叶斯网络
8.2.2 贝叶斯网络中的精确推理
8.2.3 贝叶斯网络中的近似推理
8.3 时序概率推理
8.3.1 转移模型与传感器模型
8.3.2 一般时序推理
8.3.3 隐马尔可夫模型
8.3.4 卡尔曼滤波器
8.3.5 动态贝叶斯网络
8.3.6 跟踪多个对象
第9章 复杂决策
9.1 模糊集
9.1.1 定义
9.1.2 模糊综合评价法
9.2 智集
9.2.1 定义
9.2.2 区间值智集软集
9.2.3 智集在复杂决策中的应用
9.3 粗糙集
9.3.1 基础理论
9.3.2 方法概述
9.3.3