機(jī)器學(xué)習(xí)及其應(yīng)用

序Ⅲ
序言Ⅴ
前言Ⅶ
1關(guān)于機(jī)器學(xué)習(xí)的討論    王玨 1
1-1引言1
1-2機(jī)器學(xué)習(xí)的發(fā)展歷史4
1-3統(tǒng)計(jì)機(jī)器學(xué)習(xí)9
1-3-1泛化問(wèn)題9
1-3-2表示問(wèn)題11
1-4集群機(jī)器學(xué)習(xí)12
1-4-1弱可學(xué)習(xí)定理13
1-4-2經(jīng)驗(yàn)研究問(wèn)題14
1-5符號(hào)機(jī)器學(xué)習(xí)15
1-5-1經(jīng)典符號(hào)機(jī)器學(xué)習(xí)原理16
1-5-2Reduct理論17
1-6流形學(xué)習(xí)19
1-7其他機(jī)器學(xué)習(xí)方法21
1-8總結(jié)與討論25
參考文獻(xiàn)27
2統(tǒng)計(jì)學(xué)習(xí)理論及其在非監(jiān)督學(xué)習(xí)問(wèn)題中的應(yīng)用    陶卿 32
2-1引言32
2-2監(jiān)督學(xué)習(xí)問(wèn)題與統(tǒng)計(jì)學(xué)習(xí)算法34
2-2-1監(jiān)督學(xué)習(xí)問(wèn)題34
2-2-2SVM及其理論分析35
2-2-3統(tǒng)計(jì)學(xué)習(xí)算法框架39
2-3非監(jiān)督學(xué)習(xí)問(wèn)題機(jī)器統(tǒng)計(jì)學(xué)習(xí)算法41
2-3-1非監(jiān)督學(xué)習(xí)問(wèn)題41
2-3-2非監(jiān)督學(xué)習(xí)問(wèn)題研究的一些說(shuō)明和思路42
2-3-3η非監(jiān)督學(xué)習(xí)問(wèn)題43
2-3-4ηoneclass問(wèn)題44
2-3-5η非監(jiān)督學(xué)習(xí)問(wèn)題和oneclass問(wèn)題51
2-3-6其他非監(jiān)督學(xué)習(xí)問(wèn)題52
2-4結(jié)束語(yǔ)56
參考文獻(xiàn)56
3聚類分析技術(shù)綜述*    丁澤進(jìn) 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(shè)計(jì)63
3-4-1針對(duì)連續(xù)型數(shù)據(jù)的聚類模型及算法63
3-4-2針對(duì)離散型數(shù)據(jù)的聚類模型及算法68
3-4-3針對(duì)關(guān)聯(lián)型數(shù)據(jù)的聚類模型及算法71
3-4-4針對(duì)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(kù)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(jié)74
3-5聚類分析與奧卡姆剃刀準(zhǔn)則74
3-5-1奧卡姆剃刀準(zhǔn)則74
3-5-2奧卡姆剃刀準(zhǔn)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(jié)78
3-6聚類有效性分析方法78
3-7聚類分析的應(yīng)用前景及發(fā)展79
參考文獻(xiàn)80
4符號(hào)機(jī)器學(xué)習(xí)研究    韓素青 韓彥軍 88
4-1引言88
4-2表示問(wèn)題91
4-2-1數(shù)據(jù)預(yù)處理問(wèn)題91
4-2-2描述數(shù)據(jù)的表示語(yǔ)言93
4-3規(guī)則學(xué)習(xí)94
4-3-1覆蓋算法94
4-3-2分治算法100
4-3-3ILP101
4-4約簡(jiǎn)理論104
4-5面向用戶需求的符號(hào)機(jī)器學(xué)習(xí)——符號(hào)數(shù)據(jù)分析107
4-6結(jié)束語(yǔ)109
參考文獻(xiàn)110
5強(qiáng)化學(xué)習(xí)研究進(jìn)展    高陽(yáng) 116
5.1引言116
5.2強(qiáng)化學(xué)習(xí)基礎(chǔ)117
5.3部分感知馬氏決策過(guò)程中的強(qiáng)化學(xué)習(xí)122
5.4強(qiáng)化學(xué)習(xí)中的函數(shù)估計(jì)125
5.5分層強(qiáng)化學(xué)習(xí)126
5.6多agent強(qiáng)化學(xué)習(xí)128
5.7結(jié)束語(yǔ)132
參考文獻(xiàn)133
6流形學(xué)習(xí)若干問(wèn)題研究*    張軍平 135
6.1流形學(xué)習(xí)研究動(dòng)機(jī)135
6.1.1計(jì)算機(jī)視覺(jué)與感知136
6.1.2應(yīng)用驅(qū)動(dòng)136
6.2流形學(xué)習(xí)綜述137
6.3流形學(xué)習(xí)若干問(wèn)題研究139
6.3.1流形學(xué)習(xí)基本問(wèn)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(xué)習(xí)算法研究152
6.3.5范疇問(wèn)題研究157
6.3.6其他161
6.4討論與結(jié)論164
參考文獻(xiàn)165
7選擇性集成    周志華 170
7.1引言170
7.2理論基礎(chǔ)173
7.2.1回歸任務(wù)173
7.2.2分類任務(wù)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(gè)應(yīng)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(jié)束語(yǔ)185
參考文獻(xiàn)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(shù)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(shù)發(fā)展趨勢(shì)234
參考文獻(xiàn)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(jì)方法和人工神經(jīng)網(wǎng)絡(luò)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(shí)例258
11.1.4分類方法的研究259
11.2統(tǒng)計(jì)分類方法259
11.2.1貝葉斯決策理論259
11.2.2一致性準(zhǔn)則與分類器性能評(píng)估261
11.3最近鄰分類262
11.3.1距離度量263
11.3.2錯(cuò)誤估計(jì)263
11.3.3樣本處理264
11.4人工神經(jīng)網(wǎng)絡(luò)分類器265
11.4.1多層前饋神經(jīng)網(wǎng)絡(luò)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(xiàn)268
12人臉識(shí)別中子空間的統(tǒng)計(jì)學(xué)習(xí)    李子清 張軍平 270
12.1人臉識(shí)別基礎(chǔ)270
12.2線性子空間273
12.2.1PCA子空間274
12.2.2基于獨(dú)立分量分析的子空間方法276
12.2.3非負(fù)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(jié)論297
參考文獻(xiàn)298
13 基于內(nèi)容的視頻信號(hào)分析與處理    路紅薛 向陽(yáng) YapPeng TAN 302
13.1視頻信息分析技術(shù)的發(fā)展趨勢(shì)302
13.2視頻信號(hào)的結(jié)構(gòu)化分析304
13.2.1鏡頭分割304
13.2.2場(chǎng)景聚類和分割306
13.2.3結(jié)構(gòu)化視頻簡(jiǎn)介307
13.2.4結(jié)構(gòu)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(shù)的應(yīng)用——數(shù)字電視節(jié)目檢索與過(guò)濾系統(tǒng)316
13.4.1內(nèi)容檢索系統(tǒng)317
13.4.2實(shí)時(shí)過(guò)濾系統(tǒng)318
參考文獻(xiàn)320