序Ⅲ
序言Ⅴ
前言Ⅶ
1关于机器学习的讨论 王珏 1
1-1引言1
1-2机器学习的发展历史4
1-3统计机器学习9
1-3-1泛化问题9
1-3-2表示问题11
1-4集群机器学习12
1-4-1弱可学习定理13
1-4-2经验研究问题14
1-5符号机器学习15
1-5-1经典符号机器学习原理16
1-5-2Reduct理论17
1-6流形学习19
1-7其他机器学习方法21
1-8总结与讨论25
参考文献27
2统计学习理论及其在非监督学习问题中的应用 陶卿 32
2-1引言32
2-2监督学习问题与统计学习算法34
2-2-1监督学习问题34
2-2-2SVM及其理论分析35
2-2-3统计学习算法框架39
2-3非监督学习问题机器统计学习算法41
2-3-1非监督学习问题41
2-3-2非监督学习问题研究的一些说明和思路42
2-3-3η非监督学习问题43
2-3-4ηoneclass问题44
2-3-5η非监督学习问题和oneclass问题51
2-3-6其他非监督学习问题52
2-4结束语56
参考文献56
3聚类分析技术综述* 丁泽进 于剑 59
3-1引言59
3-2聚类分析步骤60
3-3聚类分析中的数据类型62
3-4聚类模型及其算法的设计63
3-4-1针对连续型数据的聚类模型及算法63
3-4-2针对离散型数据的聚类模型及算法68
3-4-3针对关联型数据的聚类模型及算法71
3-4-4针对混合型数据的聚类模型及算法72
3-4-5在大型数据库中的聚类算法72
3-4-6其他类型的聚类模型及算法73
3-4-7小结74
3-5聚类分析与奥卡姆剃刀准则74
3-5-1奥卡姆剃刀准则74
3-5-2奥卡姆剃刀准则与聚类算法75
3-5-3聚类算法的历史回顾77
3-5-4小结78
3-6聚类有效性分析方法78
3-7聚类分析的应用前景及发展79
参考文献80
4符号机器学习研究 韩素青 韩彦军 88
4-1引言88
4-2表示问题91
4-2-1数据预处理问题91
4-2-2描述数据的表示语言93
4-3规则学习94
4-3-1覆盖算法94
4-3-2分治算法100
4-3-3ILP101
4-4约简理论104
4-5面向用户需求的符号机器学习——符号数据分析107
4-6结束语109
参考文献110
5强化学习研究进展 高阳 116
5.1引言116
5.2强化学习基础117
5.3部分感知马氏决策过程中的强化学习122
5.4强化学习中的函数估计125
5.5分层强化学习126
5.6多agent强化学习128
5.7结束语132
参考文献133
6流形学习若干问题研究* 张军平 135
6.1流形学习研究动机135
6.1.1计算机视觉与感知136
6.1.2应用驱动136
6.2流形学习综述137
6.3流形学习若干问题研究139
6.3.1流形学习基本问题的研究139
6.3.2内在维数研究145
6.3.3定量化研究 (数据的定量化分析)149
6.3.4监督学习算法研究152
6.3.5范畴问题研究157
6.3.6其他161
6.4讨论与结论164
参考文献165
7选择性集成 周志华 170
7.1引言170
7.2理论基础173
7.2.1回归任务173
7.2.2分类任务175
7.3GASEN算法176
7.3.1算法介绍177
7.3.2分析和讨论178
7.4一个应用：选择性多本征空间集成180
7.4.1本征脸和本征特征180
7.4.2SEME算法181
7.4.3分析和讨论182
7.5选择性集成的一般意义184
7.6结束语185
参考文献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 Populationbased 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 ONEMAX Problem217
8.5.3A Classification of Fitness Landscapes219
8.6Conclusions and Future Works221
References222
9文本数据挖掘 李航225
9.1什么是文本数据挖掘225
9.2文本数据挖掘的基本技术226
9.2.1文本信息抽取226
9.2.2文本分类228
9.2.3文本聚类230
9.2.4文本数据压缩231
9.2.5文本数据处理232
9.3技术发展趋势234
参考文献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
10.4Multilevel Modeling of Data Mining248
10.4.1Multilevel Understanding of Information Processing Systems 248
10.4.2A Threelayered Framework of Data Mining250
10.4.3Implications251
10.5Concluding Remarks252
References253
11模式分类：统计方法和人工神经网络方法 李伯宇 王晨 周昌印 杜浩 陈雁秋 256
11.1引言256
11.1.1什么是模式分类256
11.1.2分类正确率257
11.1.3分类实例258
11.1.4分类方法的研究259
11.2统计分类方法259
11.2.1贝叶斯决策理论259
11.2.2一致性准则与分类器性能评估261
11.3最近邻分类262
11.3.1距离度量263
11.3.2错误估计263
11.3.3样本处理264
11.4人工神经网络分类器265
11.4.1多层前馈神经网络与BP算法265
11.4.2生成收缩算法266
11.5讨论和展望268
参考文献268
12人脸识别中子空间的统计学习 李子清 张军平 270
12.1人脸识别基础270
12.2线性子空间273
12.2.1PCA子空间274
12.2.2基于独立分量分析的子空间方法276
12.2.3非负矩阵分解(NMF)282
12.2.4混合线性子空间模型287
12.3非线性子空间288
12.3.1等度规映射算法292
12.3.2局部线性嵌套算法295
12.4结论297
参考文献298
13 基于内容的视频信号分析与处理 路红薛 向阳 YapPeng TAN 302
13.1视频信息分析技术的发展趋势302
13.2视频信号的结构化分析304
13.2.1镜头分割304
13.2.2场景聚类和分割306
13.2.3结构化视频简介307
13.2.4结构化视频的分析与建模307
13.2.5电视节目的分割313
13.2.6视频的摘要和概述31313.3基于内容的视频检索316
13.4视频信息检索技术的应用——数字电视节目检索与过滤系统316
13.4.1内容检索系统317
13.4.2实时过滤系统318
参考文献320
