機器學習及其應用2011

內(nèi)容概要

　　本書主要內(nèi)容簡介：機器學習是計算機科學和人工智能中非常重要的一個研究領(lǐng)域。近年來，機器學習不僅在計算機科學的眾多領(lǐng)域中大顯身手，還成為一些交叉學科的重要支持技術(shù)。本書邀請國內(nèi)外相關(guān)領(lǐng)域的專家撰文，以綜述的形式分別介紹機器學習不同分支及相關(guān)領(lǐng)域的研究進展。全書共分14章，內(nèi)容分別涉及因果推斷、流形學習與降維、遷移學習、類別不平衡學習、演化聚類、多標記學習、排序?qū)W習、半監(jiān)督學習等技術(shù)和協(xié)同過濾、社區(qū)推薦、機器翻譯等應用，以及互聯(lián)網(wǎng)應用對機器學習技術(shù)需求的探討。本書可供計算機、自動化及相關(guān)專業(yè)的研究人員、教師、研究生和工程技術(shù)人員參考。

書籍目錄

因果推斷的可分解性和可傳遞性問題
1 引言
2 圖模型結(jié)構(gòu)學習的可分解條件
3 直接作用和間接作用
　3.1 基于關(guān)聯(lián)模型的直接作用與間接作用
　3.2 基于因果模型的主分層直接作用
　3.3 控制的和自然的直接作用
4 因果作用的可傳遞性問題
5 討論
參考文獻
機器學習的幾何觀點
1 引言
2 監(jiān)督學習、半監(jiān)督學習與無監(jiān)督學習
3 基于幾何拓撲的降維算法
3.1 流形降維
3.2 幾何和拓撲
3.3 保局投影
4 主動學習和半監(jiān)督學習：基于幾何的觀點
5 結(jié)束語和展望
參考文獻
協(xié)同過濾與鏈接預測的遷移學習問題
1 引言
　1.1 問題背景
　1.2 相關(guān)研究工作綜述
2 基于矩陣分解的潛在特征空間共享
　2.1 組級評分矩陣共享
　2.2 項目潛在特征共享
3 協(xié)同過濾的遷移學習
　3.1 評分矩陣生成模型
　3.2 實驗結(jié)果
4 鏈接預測的遷移學習
　4.1 集體鏈接預測模型
　4.2 實驗結(jié)果
5 結(jié)語
參考文獻
LDA的并行化運算及其應用
1 引言
2 LDA算法介紹
3 LDA算法的并行化一一PLDA
4 LDA算法的進一步并行化一一PLDA十
5 AdHeat算法一一PLDA在社區(qū)推薦中的應用
6 結(jié)束語
參考文獻
關(guān)于二類模式分類問題的分解
1 引言
2 最小最大模塊化網(wǎng)絡(luò)
　2.1 問題分解
　2.2 模塊集成
3 高斯零交叉函數(shù)最小最大模塊化網(wǎng)絡(luò)
　3.1 高斯零交叉函數(shù)
　3.2 高斯零交叉函數(shù)最小最大模塊化網(wǎng)絡(luò)的特點
　3.3 與其他分類器的關(guān)系
4 大規(guī)模二類問題的分解策略
　4.1 隨機分解
　4.2 超平面分解
　4.3 聚類分解
　4.4 基于先驗知識的分解
5 大規(guī)模不平衡專利數(shù)據(jù)分類
　5.1 實驗數(shù)據(jù)
　5.2 最小最大模塊化Lib1inear
　5.3 性能評價指標
　5.4 Section層上A類為正類的二類問題實驗
　5.5 Section層上的全部二類問題實驗
6 結(jié)論
　……
面向降維的圖構(gòu)建技術(shù)
統(tǒng)計詞對齊
概念、相似性與聚類分析
互聯(lián)網(wǎng)行業(yè)對機器學習和其他計算技術(shù)的需求
基于指數(shù)族混合模型的在線式演化聚類算法
多標記學習
Ranking on Large-scale Graphs with Rich Metadata
Semi-supervised Learnin~with Mixed Unlabeled Data
Learning with Local Consistency

章節(jié)摘錄

版權(quán)頁：插圖：特別是給定的屬性是概念的本質(zhì)屬性的情況下，如年齡屬性準確描述了一個人像老人的程度，年齡屬性本身可以看作相似性程度。因此，概念的本質(zhì)特征，有時就可以看作是相似性自身。同樣給定概念的情況下，某個對象與此概念的本質(zhì)相似程度，可以直接看作是該概念的本質(zhì)屬性。但是，一般情況下，人們只能得到概念的相關(guān)屬性，而非其本質(zhì)屬性。在特定概念和其相關(guān)屬性給定的情況下，合理相似性的定義就變成了如何由相關(guān)特征提取本質(zhì)屬性的過程，一般來說，這屬于監(jiān)督學習的范疇。本文將不仔細討論監(jiān)督學習下相似性計算的問題。但是，如果概念事先未知，在只有給定屬性的情形下，相似性對于概念的提取具有重要作用。特別地，對于從圖像中識別概念，格式塔學派提出了知覺組織的幾條原則：相似性原則、鄰近性原則等。相似性原則是指人們偏向于將相似性的對象優(yōu)先組合在一起，即所謂物以類聚的問題。鄰近性原則是指人們偏向于將空間距離相近的對象優(yōu)先組合在一起，這是一種空間上的相似性。

編輯推薦

《機器學習及其應用2011》為中國計算機學會學術(shù)著作叢書:知識科學系列9之一。

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2011 PDF格式下載

---