机器学习及其应用2011出版时间：2011年版内容简介 本书主要内容简介：机器学习是计算机科学和人工智能中非常重要的一个研究领域。近年来，机器学习不仅在计算机科学的众多领域中大显身手，还成为一些交叉学科的重要支持技术。本书邀请国内外相关领域的专家撰文，以综述的形式分别介绍机器学习不同分支及相关领域的研究进展。全书共分14章，内容分别涉及因果推断、流形学习与降维、迁移学习、类别不平衡学习、演化聚类、多标记学习、排序学习、半监督学习等技术和协同过滤、社区推荐、机器翻译等应用，以及互联网应用对机器学习技术需求的探讨。本书可供计算机、自动化及相关专业的研究人员、教师、研究生和工程技术人员参考。目录因果推断的可分解性和可传递性问题1 引言2 图模型结构学习的可分解条件3 直接作用和间接作用 3.1 基于关联模型的直接作用与间接作用 3.2 基于因果模型的主分层直接作用 3.3 控制的和自然的直接作用4 因果作用的可传递性问题5 讨论参考文献机器学习的几何观点1 引言2 监督学习、半监督学习与无监督学习3 基于几何拓扑的降维算法3.1 流形降维3.2 几何和拓扑3.3 保局投影4 主动学习和半监督学习：基于几何的观点5 结束语和展望参考文献协同过滤与链接预测的迁移学习问题1 引言 1.1 问题背景 1.2 相关研究工作综述2 基于矩阵分解的潜在特征空间共享 2.1 组级评分矩阵共享 2.2 项目潜在特征共享3 协同过滤的迁移学习 3.1 评分矩阵生成模型 3.2 实验结果4 链接预测的迁移学习 4.1 集体链接预测模型 4.2 实验结果5 结语参考文献LDA的并行化运算及其应用1 引言2 LDA算法介绍3 LDA算法的并行化一一PLDA4 LDA算法的进一步并行化一一PLDA十5 AdHeat算法一一PLDA在社区推荐中的应用6 结束语参考文献关于二类模式分类问题的分解1 引言2 最小最大模块化网络 2.1 问题分解 2.2 模块集成3 高斯零交叉函数最小最大模块化网络 3.1 高斯零交叉函数 3.2 高斯零交叉函数最小最大模块化网络的特点 3.3 与其他分类器的关系4 大规模二类问题的分解策略 4.1 随机分解 4.2 超平面分解 4.3 聚类分解 4.4 基于先验知识的分解5 大规模不平衡专利数据分类 5.1 实验数据 5.2 最小最大模块化Lib1inear 5.3 性能评价指标 5.4 Section层上A类为正类的二类问题实验 5.5 Section层上的全部二类问题实验6 结论 ……面向降维的图构建技术统计词对齐概念、相似性与聚类分析互联网行业对机器学习和其他计算技术的需求基于指数族混合模型的在线式演化聚类算法多标记学习Ranking on Large-scale Graphs with Rich MetadataSemi-supervised Learnin~with Mixed Unlabeled DataLearning with Local Consistency 上一篇: 无线传感器网络技术 2011年版 下一篇: 光纤传感原理与检测技术
