機器學習及其應用(2007)/知識科學系列/中國計算機學會學術著作叢
2023-07-10 04:04:58
/知識科學系列/中國計算機學會學術著作叢.jpg)
所有分類 > 計算機與互聯網 > 計算機科學 > 人工智能 > 人工智能理論
機器學習及其應用(2007)/知識科學系列/中國計算機學會學術著作叢書
nerror="this.src='/uploads/allimg/110909/13513351a_1.jpg'" />
作 者：周志華//王玨
出 版 社：清華大學出版社
出版時間：2007年10月 版 次：1
印刷時間：2007年10月 開 本：4
I S B N ：9787302160762 包 裝：1
分 類：
購買
編輯導讀 內容簡介
機器學習是人工智能的一個核心研究領域，也是近年來計算機科學中
最活躍的研究分支之一。目前，機器學習技術不僅在計算機科學的眾多領
域中大顯身手，還成為一些交叉學科的重要支撐技術。本書邀請相關領域
的專家撰文，以綜述的形式介紹機器學習中一些領域的研究進展。全書共
分13章，內容涉及高維數據降維、特征選擇、支持向量機、聚類、強化學
習、半監督學習、復雜網絡、異構數據、商空間、距離度量以及機器學習
在自然語言處理中的應用等。
本書可供計算機、自動化及相關專業的研究人員、教師、研究生和工
程技術人員參考。
作者簡介 本書目錄1 圖象空間中的距離
1.1 引言
1.2 兩副圖象間的距離
1.3 兩組圖象間的距離
1.4 結束語
2
平均獎賞強化學習研究
2.1 引言
2.2 MDP與SMDP
2.2.1 單鏈策略迭代算法
2.2.2 值迭代算法
2.2.3 異步值迭代算法
2.3 平均獎賞動態規劃算法
2.4 平均獎賞強化學習算法
2.5 基于參考狀態的平均獎賞強化學習法
2.6 仿真實驗
2.7 結束語
3
離階異構數據挖掘
3.1 引言
3.2 同構數據挖掘
3.2.1 譜聚類算法
3.2.2 Page Rank算法
3.3 兩類異構對象的數據挖掘
3.3.1 二部圖的譜分解
3.3.2 基于信息論的協同聚類
3.4 高階異構數據挖掘
3.4.1 高階異構對象的建模
3.4.2 基于統一關系矩陣的方法
3.4.3 基于張量的方法
3.4.4 基于相容二部圖的方法
3.5 結束語
4 求解SVM的幾何方法研究
4.1 引言
4.2 求解SVM幾何方法的理論基礎
4.2.1 線性可分SVM與最近點問題
4.2.2 L2范數SVM及其幾何解釋
4.2.3 軟凸包與V?SVM的幾何解釋
4.3 求解線性可分SVM問題的幾何算法
4.3.1 Gilbert算法與最小范數問題
4.3.2 可分情形下的SK算法
4.3.3 可分情形下的MDM算法
4.4
求解L1范數SVM問題的幾何算法
4.4.1 軟SK算法
4.4.2 軟MDM算法
4.5 軟SK算法和軟MDM算法的一些實驗結果
4.5.1 實驗方法、實驗環境與數據庫
4.5.2 軟SK算法實驗
4.5.3 軟MDM算法實驗
4.6 SVM的最小球覆蓋解釋與近似最小球覆蓋算法求解
4.7 SMO與幾何算法之間的聯系
4.8 結束語
5
典型相關分析研究進展
5.1 引言
5.2 問題的數學刻畫
5.2.1 CCA數學描述
5.2.2 相關性與互信息之間的關系
5.2.3 CCA其他多元分析方法之間的關系
5.2.4 核CCA
5.3 CCA研究進展
5.3.1 CCA的應用
5.3.2 CCA計算方法的改進
5.3.3 基于CCA的擴展模型
5.4 結束語
6 Rashomon特征選擇
6.1 引言
6.1.1 Rashomon
6.1.2 模型多樣性問題
6.1.3 最簡單的Rashomon問題??特征選擇
6.2 特征選擇
6.2.1 經典特征選擇的類型
6.2.2 Filter類型特征選擇
6.2.3 Relief算法
6.3 基于Reduct的特征選擇
6.3.1 BNA(D)與誤差
6.3.2 Reduct作為特征選擇的解答
6.4R ashomon特征選擇
6.4.1 基于全序的Reduct算法
6.4.2 Rashomon特征選擇
6.5 次屬性原理
6.5.1 次屬性
6.5.2 次屬性原理
6.6 Rashomon特征選擇的計算
6.6.1 優化規則
6.6.2 算法
6.7 總結與問題
7 復雜網絡上的學習
7.1 引言
7.2 分類器網絡及Boosting學習
7.2.1 NetWork Boosting算法
7.2.2 算法收斂性
7.2.3 UCI數據集上的實驗結果
7.3 網絡拓撲結構對于NetWork Boosting算法性能的影響
7.3.1 Bias－Variance－Covariance
7.3.2 連接度數變化對于樣本權重分布之間相關性的影響
7.3.3 不同連接概率的隨機圖上的對比實驗結果
7.4 分布式環境中的分類器網絡
7.4.1 分布式NetworkBoosting算法
7.4.2 分布式環境中監督學習實驗結果
7.4.3 總結
8 聚類分析的新進展??譜聚類綜述
8.1 譜聚類算法的由來
8.2 無向圖的拉普拉斯矩陣性質
8.3 基于圖劃分的譜聚類算法
8.4 譜聚類算法誘導的異質聚類
8.5 譜聚類算法的進一步討論
9 機器學習與自然語言處理
9.1 引言
9.2 自然語言處理的主攻方向
9.3 文學語言對機器學習提出的挑戰
9.3.1 隱喻和影射
9.3.2 引用典故
9.3.3 遣詞造句的形象化
9.3.4 夸張
9.3.5 雙關
9.3.6 擬人化
9.4 服務于機器學習的語言資源建設
9.5 機器學習方法的實踐
9.5.1 詞義消歧研究
9.5.2 情感傾向分析
9.5.3 隱喻識別
9.5.4 小結
9.6 結束語
10 監督流形學習
10.1 引言
10.2 基礎
10.2.1 流形
10.2.2 嵌入
10.3 流形學習簡介及LLE算法
lO.3.1 流形學習的目的和基本思路
10.3.2 算法有效性分析
10.3.3 LLE算法介紹
10.4 監督流形學習
10.4.1 相關研究介紹
10.4.2 監督流形學習中面臨的問題
10.5 基于Gabor基的監督流形學習
10.5.1 Gabor特征表示
10.5.2 ULLELDA算法
10.5.3 基于Gabor基的監督流形學習實驗
10.5.4 En?ULLELDA算法
10.5.5 基于集成流形學習的實驗
10.6 MUSNACAL算法和En?MUSNACAL算法
10.6.1 覆蓋算法
10.6.2 雙向RBF映射模型
10.6.3 分類
10.6.4 En?MUSNACAL算法
10.6.5 基于MUSNAcAL算法和En?MUSNACAL算法的實驗
10.6.6 小結
10.7 討論與總結
11 超完備拓撲獨立分量分析
11.1 引言
11.2 超完備表示模型與算法
11.3 超完備表示實驗仿真
11.4 結束語
12 商空間框架下的機器學習方法
12.1 人類智能的主要特征
12.1.1 人類全局分析問題的能力
12.1.2 人類局部分析問題的能力
12.2 智能的數學模型
12.2.1 全局分析能力的數學模型??粒度分析(計算)的
商空間模型
12.2.2 局部分析能力的數學模型??構造性學習方法(覆蓋算法)
12.2.3 兩者的綜合
12.3 商空間粒度計算
12.3.1 粒度與模糊關系
12.4 商空間粒度分析的方法
12.4.1 對論域取粒度
12.4.2 對屬性取粒度
12.4.3 對結構取粒度
12.4.4 商空間粒度計算的基本原理
12.5 構造性機器學習方法
12.5.1 覆蓋算法
12.5.2 具有粒度結構知識的獲取
12.5.3 基于商空間的覆蓋算法
12.6 小結
13 半監督學習中的協同訓練風范
13.1 引言
13.2 半監督學習
精彩書摘