全書共分8章，內容分別涉及稀疏話題表示學習、基於向量場的流形學習和排序、秩極小化、實值多變數維數約簡等技術，知識挖掘與用戶建模、異質人臉圖像合成等套用，以及對多視圖在利用未標記數據學習中的效用、面向高維多視圖數據的廣義相關分析的探討。
基本介紹
- 書名：機器學習及其套用2013
- ISBN：9787302336198
- 定價：43元
- 裝幀：平裝
- 印次：1-1
- 印刷日期：2013-10-11
圖書簡介,目錄,
圖書簡介
全書共分8章，內容分別涉及稀疏話題表示學習、基於向量場的流形學習和排序、秩極小化、實值多變數維數約簡等技術，知識挖掘與用戶建模、異質人臉圖像合成等套用，以及對多視圖在利用未標記數據學習中的效用、面向高維多視圖數據的廣義相關分析的探討。
目錄
Learning Sparse Topical RepresentationsJun ZhuAonan ZhangEric P. Xing1
1Introduction1
2Related Work4
2.1Probabilistic LDA5
2.2Non\|negative Matrix Factorization6
3Sparse Topical Coding7
3.1A Probabilistic Generative Process8
3.2STC for MAP Estimation9
3.3Optimization with Coordinate Descent12
4Extensions14
4.1Collapsed STC14
4.2Supervised Sparse Topical Coding15
5Experiments16
5.1Sparse Word Code17
5.2Prediction Accuracy19
5.3Time Efficiency21
6Conclusion22
References23
多視圖在利用未標記數據學習中的效用王魏周志華27
1引言27
2多視圖在半監督學習中的效用29
3多視圖在主動學習中的效用34
4多視圖在主動半監督學習中的效用37
5視圖分割38
6結束語39
參考文獻40
知識挖掘與用戶建模王海峰趙世奇向 偉徐 倩田 浩吳 甜47
1引言47
2技術綜述49
3本體知識體系構建51
3.1知識挖掘52
3.2知識加工54
3.3語義計算55
3.4實驗結果57
3.5基於本體知識的需求主題體系構建60
4跨產品用戶日誌挖掘61
4.1技術框架61
4.2跨產品用戶數據session分割62
4.3跨產品用戶數據關注點挖掘63
5用戶建模64
5.1用戶屬性建模64
5.2用戶興趣建模67
5.3用戶狀態建模68
5.4多維度用戶行為分析模型73
5.5用戶興趣模型的地域性關聯分析76
6結語76
參考文獻77機器學習及其套用2013
異質人臉圖像合成高新波王楠楠79
1引言79
2基於子空間學習的圖像合成方法80
2.1基於線性子空間學習的方法80
2.2基於流形學習的方法82
3基於貝葉斯推理的合成方法82
3.1基於嵌入式隱馬爾科夫模型的方法82
3.2基於馬爾科夫隨機場的方法85
4基於人臉幻像思想的合成方法86
5實驗結果89
6結束語91
參考文獻92面向高維多視圖數據的廣義相關分析陳曉紅陳松燦95
1引言95
1.1多視圖數據95
1.2數據降維的意義與方法97
2基於相關分析的降維方法所面臨的問題與解決方案99
2.1忽視多視圖數據的監督信息99
2.2要求不同視圖間的數據全配對101
2.3現有解決方案101
3我們的研究工作103
3.1半配對局部相關分析103
3.2半監督半配對廣義相關分析110
3.3鄰域相關分析121
4小結127
參考文獻128基於向量場的流形學習和排序何曉飛133
1引言133
2平行向量場和線性函式134
2.1流形上半監督學習問題134
2.2平行向量場和線性函式135
2.3目標函式136
3離散化和最佳化137
3.1切空間和向量場離散化137
3.2梯度場計算137
3.3平行向量場計算138
3.4離散形式的目標函式139
3.5目標函式最佳化140
4基於平行向量場正則化的排序141
4.1向量場正則化142
4.2R1和R2的離散化143
4.3目標函式離散化143
4.4目標函式最佳化144
4.5實驗145
5結束語與展望146
參考文獻146秩極小化：理論、算法與套用林宙辰149
1引言149
2主要數學模型151
3理論分析152
4算法153
4.1加速近鄰梯度法及其推廣154
4.2交錯方向法及其線性化157
4.3奇異值分解的計算159
5套用160
5.1背景建模160
5.2圖像批量對齊160
5.3變換不變低秩紋理161
5.4運動分割163
5.5圖像分割164
5.6圖像顯著區域檢測164
6結束語166
參考文獻166實值多變數維數約簡單洪明張軍平夏威171
1引言171
2實值多變數維數約簡172
2.1切片逆回歸法173
2.2切片逆回歸的推廣175
2.3主Hessian方向175
2.4子空間簡介176
2.5稀疏充分維數約簡180
2.6核維數約簡181
2.7最小平方維數約簡185
3樹形結構的核維數約簡186
3.1動機186
3.2樹形算法的介紹187
3.3（殘差）樹形核維數約簡187
3.4實驗部分189
3.5結論195
4核維數約簡在人群計數中的套用196
4.1核維數約簡196
4.2多核學習197
5結論199
參考文獻201
