機器學習及其應用2009

前言

第一臺電子計算機誕生于20世紀40年代。到目前為止，計算機的發(fā)展已遠遠超出了其創(chuàng)始者的想象。計算機的處理能力越來越強，應用面越來越廣，應用領域也從單純的科學計算滲透到社會生活的方方面面：從工業(yè)、國防、醫(yī)療、教育、娛樂直至人們的日常生活，計算機的影響可謂無處不在。計算機之所以能取得上述地位并成為全球最具活力的產(chǎn)業(yè)，原因在于其高速的計算能力、龐大的存儲能力以及友好靈活的用戶界面。而這些新技術及其應用有賴于研究人員多年不懈的努力。學術研究是應用研究的基礎，也是技術發(fā)展的動力。自1992年起，清華大學出版社與廣西科學技術出版社為促進我國計算機科學技術與產(chǎn)業(yè)的發(fā)展，推動計算機科技著作的出版，設立了“計算機學術著作出版基金”，并將資助出版的著作列為中國計算機學會的學術著作叢書。時至今日，本套叢書已出版學術專著近50種，產(chǎn)生了很好的社會影響，有的專著具有很高的學術水平，有的則奠定了一類學術研究的基礎。中國計算機學會一直將學術著作的出版作為學會的一項主要工作。本屆理事會將秉承這一傳統(tǒng)，繼續(xù)大力支持本套叢書的出版，鼓勵科技工作者寫出更多的優(yōu)秀學術著作，多出好書，多出精品，為提高我國的知識創(chuàng)新和技術創(chuàng)新能力，促進計算機科學技術的發(fā)展和進步作出更大的貢獻。

內(nèi)容概要

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10章，內(nèi)容涉及正則化、Boosting、聚類分析、因果發(fā)現(xiàn)、維數(shù)削減、強化學習、遷移學習、流形學習、多示例多標記學習等。    本書可供計算機、自動化及相關專業(yè)的研究人員、教師、研究生和工程技術人員參考。

書籍目錄

機器學習與人工智能　1  引言　2　機器學習與人工智能的不同理念　3　統(tǒng)計機器學習的特點　4　集群學習(ensemble learning)　5　人工智能對機器學習的補充　6　重采樣方法——自助法　7　變量稀疏化　8　知識的集群　9　討論和總結　參考文獻關系強化學習研究　1  引言　2　Tetris和強化學習解法　　2.1　Tetris　　2.2　Tetris的抽象和建?！　?.3　Tetris的強化學習解法　　2.4　狀態(tài)空間抽象  3　關系強化學習　　3.1　關系強化學習及其抽象　　3.2　邏輯決策樹方法　　3.3　馬爾可夫邏輯網(wǎng)方法　4　結束語　參考文獻因果挖掘的若干統(tǒng)計方法　1  引言　2　井底之蛙：因果作用與混雜因素　3  替罪羔羊：利用替代指標評價因果作用　　3.1　幾種替代指標準則　　3.2　替代指標悖論　　3.3　一致替代指標，嚴格一致替代指標　4　盲人摸象：貝葉斯網(wǎng)絡的結構學習　　4.1  貝葉斯網(wǎng)絡結構的分解學習方法　　4.2  貝葉斯網(wǎng)絡結構的遞歸學習方法　　4.3  貝葉斯網(wǎng)絡結構的聚類學習方法　5  綱舉目張：確定因果網(wǎng)絡方向的主動學習方法　　5.1　各種干預方法　　5.2　各種算法的模擬比較　6　尋根問底+順藤摸瓜：尋摸結果變量的原因　　6.1　外部干預下的預測問題　　6.2　局部因果挖掘的方法　7　討論　參考文獻基于學習的圖像超分辨率算法　1  引言　2　基于學習的超分辨率算法綜述　　2.1　間接最大后驗算法　　2.2　直接最大后驗算法　　2.3　基于學習的超分辨率算法的優(yōu)缺點　3　基于學習的超分辨率算法的性能極限　　3.1  什么是基于學習的超分辨率算法的極限　　3.2　期望風險的下界　　3.3　基于學習的超分辨率算法的極限　　3.4　下界的計算與閾值的選取　　3.5　討論　4　結語　參考文獻分類學習的正則化技術　1  引言　2　經(jīng)典的正則化技術　　2.1　Tikhonov正則化　　2.2　正則化網(wǎng)絡　　2.3　支持向量機　　2.4　正則化最小二乘分類器　……Transfer Learning and Its Application for WiFi Localization Problems關于boosting算法的margin解釋最大間隔聚類快速算法研究自適應K段主曲線MIML：多示例多標記學習

章節(jié)摘錄

插圖：機器學習與人工智能1 引言 “學習”是人類以及各種動物與生俱有的最基本的能力，自從人們試圖在計算機上表現(xiàn)，人類智能之日起，“學習”自然就成為研究的主要問題。人工智能（artificial intelligence）為了將這種在計算機上表現(xiàn)的學習與人類的學習相區(qū)別，特為其取了一個新術語——機器學習（machine learning）。加在“學習”之前的“機器”二字，也許緣于如果將“人工智能”的“人工（artificial）”平行移植到“學習”之前，成為“人工學習”，不足以表示“令計算機學習”的本意，且可能與其他什么意思相混淆，因此，將當時歐洲流行的“機器智能（machine intelligence）”的“機器”移植到這個研究領域作為代名詞，更為確切?？甲C其由來，并沒有太大的意義，我們僅僅是想告訴讀者，“機器學習”這個術語的起源，是來自人工智能的研究。而在機器學習之前再加上“統(tǒng)計”，變?yōu)椤敖y(tǒng)計機器學習（statistical machine learning）”，則是統(tǒng)計學家Vapnik的建議。大多數(shù)機器學習研究者并沒有關注這個變化，因_為在機器學習的發(fā)展歷史中（包括模式識別基礎），基于統(tǒng)計的學習一直是其研究的一個方面，盡管在20世紀整個70年代，這類研究在人工智能領域曾經(jīng)中斷過，但是，它一直是模式識別基礎的主要研究課題之一，特別是，自從1986年多層感知機給出了解決線性不可分問題的一個非線性算法方案之后，這類研究重新興起。然而，研究者使用“人工神經(jīng)網(wǎng)絡”代替“機器學習”，也許是這類問題的研究者希望與人工智能研究相區(qū)分吧！

編輯推薦

《機器學習及其應用2009》：中國計算機學會學術著作叢書·知識科學系列6

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    機器學習及其應用2009 PDF格式下載

---