機器學習及其應用

序Ⅲ
序言Ⅴ
前言Ⅶ
1關于機器學習的討論    王玨 1
1-1引言1
1-2機器學習的發(fā)展歷史4
1-3統(tǒng)計機器學習9
1-3-1泛化問題9
1-3-2表示問題11
1-4集群機器學習12
1-4-1弱可學習定理13
1-4-2經(jīng)驗研究問題14
1-5符號機器學習15
1-5-1經(jīng)典符號機器學習原理16
1-5-2Reduct理論17
1-6流形學習19
1-7其他機器學習方法21
1-8總結與討論25
參考文獻27
2統(tǒng)計學習理論及其在非監(jiān)督學習問題中的應用    陶卿 32
2-1引言32
2-2監(jiān)督學習問題與統(tǒng)計學習算法34
2-2-1監(jiān)督學習問題34
2-2-2SVM及其理論分析35
2-2-3統(tǒng)計學習算法框架39
2-3非監(jiān)督學習問題機器統(tǒng)計學習算法41
2-3-1非監(jiān)督學習問題41
2-3-2非監(jiān)督學習問題研究的一些說明和思路42
2-3-3η非監(jiān)督學習問題43
2-3-4ηoneclass問題44
2-3-5η非監(jiān)督學習問題和oneclass問題51
2-3-6其他非監(jiān)督學習問題52
2-4結束語56
參考文獻56
3聚類分析技術綜述*    丁澤進 于劍 59
3-1引言59
3-2聚類分析步驟60
3-3聚類分析中的數(shù)據(jù)類型62
3-4聚類模型及其算法的設計63
3-4-1針對連續(xù)型數(shù)據(jù)的聚類模型及算法63
3-4-2針對離散型數(shù)據(jù)的聚類模型及算法68
3-4-3針對關聯(lián)型數(shù)據(jù)的聚類模型及算法71
3-4-4針對混合型數(shù)據(jù)的聚類模型及算法72
3-4-5在大型數(shù)據(jù)庫中的聚類算法72
3-4-6其他類型的聚類模型及算法73
3-4-7小結74
3-5聚類分析與奧卡姆剃刀準則74
3-5-1奧卡姆剃刀準則74
3-5-2奧卡姆剃刀準則與聚類算法75
3-5-3聚類算法的歷史回顧77
3-5-4小結78
3-6聚類有效性分析方法78
3-7聚類分析的應用前景及發(fā)展79
參考文獻80
4符號機器學習研究    韓素青 韓彥軍 88
4-1引言88
4-2表示問題91
4-2-1數(shù)據(jù)預處理問題91
4-2-2描述數(shù)據(jù)的表示語言93
4-3規(guī)則學習94
4-3-1覆蓋算法94
4-3-2分治算法100
4-3-3ILP101
4-4約簡理論104
4-5面向用戶需求的符號機器學習——符號數(shù)據(jù)分析107
4-6結束語109
參考文獻110
5強化學習研究進展    高陽 116
5.1引言116
5.2強化學習基礎117
5.3部分感知馬氏決策過程中的強化學習122
5.4強化學習中的函數(shù)估計125
5.5分層強化學習126
5.6多agent強化學習128
5.7結束語132
參考文獻133
6流形學習若干問題研究*    張軍平 135
6.1流形學習研究動機135
6.1.1計算機視覺與感知136
6.1.2應用驅動136
6.2流形學習綜述137
6.3流形學習若干問題研究139
6.3.1流形學習基本問題的研究139
6.3.2內(nèi)在維數(shù)研究145
6.3.3定量化研究 (數(shù)據(jù)的定量化分析)149
6.3.4監(jiān)督學習算法研究152
6.3.5范疇問題研究157
6.3.6其他161
6.4討論與結論164
參考文獻165
7選擇性集成    周志華 170
7.1引言170
7.2理論基礎173
7.2.1回歸任務173
7.2.2分類任務175
7.3GASEN算法176
7.3.1算法介紹177
7.3.2分析和討論178
7.4一個應用：選擇性多本征空間集成180
7.4.1本征臉和本征特征180
7.4.2SEME算法181
7.4.3分析和討論182
7.5選擇性集成的一般意義184
7.6結束語185
參考文獻186
8A Theoretical Study on the Computation Time of Evolutionary AlgorithmsJun HE and Xin YAO 189
8.1Introduction189
8.2Mathematical Models190
8.2.1Description of Evolutionary Algorithms190
8.2.2Model 1: Markov Chain191
8.2.3Model 2: Supermartingale192
8.3Analyzing Tools193
8.3.1First Hitting Time of Evolutionary Algorithms193
8.3.2Tool 1: Analytic Approach194
8.3.3Tool 2: Drift Analysis197
8.4Applications of Analytic Approach198
8.4.1Case Study 1: Population Can Bring Benefit198
8.4.2Case Study 2: Population May Not Be Beneficial203
8.4.3Analysis of (1+1)  EAs with Elitist Selection208
8.4.4Analysis of Populationbased Evolutionary Algorithms210
8.5Applications of Drift Analysis212
8.5.1Case Study 1: The Subset Sum Problem212
8.5.2Case Study 2: Analysis of an (n+n) EA for the ONEMAX Problem217
8.5.3A Classification of Fitness Landscapes219
8.6Conclusions and Future Works221
References222
9文本數(shù)據(jù)挖掘     李航225
9.1什么是文本數(shù)據(jù)挖掘225
9.2文本數(shù)據(jù)挖掘的基本技術226
9.2.1文本信息抽取226
9.2.2文本分類228
9.2.3文本聚類230
9.2.4文本數(shù)據(jù)壓縮231
9.2.5文本數(shù)據(jù)處理232
9.3技術發(fā)展趨勢234
參考文獻234
10On Conceptual Modeling of Data MiningYiyu YAO 238
10.1Introduction238
10.2Conceptual Modeling 240
10.2.1A Brief Summary of Data Mining Research240
10.2.2Motivations for Conceptual Modeling242
10.2.3Foundations of Data Mining243
10.2.4Implications244
10.3Data Mining and Scientific Research245
10.3.1Common Purposes and Goals245
10.3.2Common Processes246
10.3.3Implications247
10.4Multilevel Modeling of Data Mining248
10.4.1Multilevel Understanding of Information Processing Systems 248
10.4.2A Threelayered Framework of Data Mining250
10.4.3Implications251
10.5Concluding Remarks252
References253
11模式分類：統(tǒng)計方法和人工神經(jīng)網(wǎng)絡方法    李伯宇 王晨 周昌印 杜浩 陳雁秋 256
11.1引言256
11.1.1什么是模式分類256
11.1.2分類正確率257
11.1.3分類實例258
11.1.4分類方法的研究259
11.2統(tǒng)計分類方法259
11.2.1貝葉斯決策理論259
11.2.2一致性準則與分類器性能評估261
11.3最近鄰分類262
11.3.1距離度量263
11.3.2錯誤估計263
11.3.3樣本處理264
11.4人工神經(jīng)網(wǎng)絡分類器265
11.4.1多層前饋神經(jīng)網(wǎng)絡與BP算法265
11.4.2生成收縮算法266
11.5討論和展望268
參考文獻268
12人臉識別中子空間的統(tǒng)計學習    李子清 張軍平 270
12.1人臉識別基礎270
12.2線性子空間273
12.2.1PCA子空間274
12.2.2基于獨立分量分析的子空間方法276
12.2.3非負矩陣分解(NMF)282
12.2.4混合線性子空間模型287
12.3非線性子空間288
12.3.1等度規(guī)映射算法292
12.3.2局部線性嵌套算法295
12.4結論297
參考文獻298
13 基于內(nèi)容的視頻信號分析與處理    路紅薛 向陽 YapPeng TAN 302
13.1視頻信息分析技術的發(fā)展趨勢302
13.2視頻信號的結構化分析304
13.2.1鏡頭分割304
13.2.2場景聚類和分割306
13.2.3結構化視頻簡介307
13.2.4結構化視頻的分析與建模307
13.2.5電視節(jié)目的分割313
13.2.6視頻的摘要和概述31313.3基于內(nèi)容的視頻檢索316
13.4視頻信息檢索技術的應用——數(shù)字電視節(jié)目檢索與過濾系統(tǒng)316
13.4.1內(nèi)容檢索系統(tǒng)317
13.4.2實時過濾系統(tǒng)318
參考文獻320