高效機(jī)器學(xué)習(xí)：理論、算法及實(shí)踐

目　錄
Efficient Learning Machines:Theories,Concepts,and Applications for Engineers and System Designers

譯者序
作者簡(jiǎn)介
技術(shù)評(píng)審簡(jiǎn)介
致謝
第1章　機(jī)器學(xué)習(xí)1
　1.1　關(guān)鍵術(shù)語(yǔ)2
　1.2　機(jī)器學(xué)習(xí)的步驟4
　1.3　機(jī)器學(xué)習(xí)算法6
　1.4　流行的機(jī)器學(xué)習(xí)算法9
　　1.4.1　C4.59
　　1.4.2　k均值9
　　1.4.3　支持向量機(jī)10
　　1.4.4　Apriori算法10
　　1.4.5　估計(jì)最大化11
　　1.4.6　PageRank算法11
　　1.4.7　AdaBoost12
　　1.4.8　k近鄰算法13
　　1.4.9　樸素貝葉斯14
　　1.4.10　分類(lèi)回歸樹(shù)14
　1.5　數(shù)據(jù)挖掘研究中的挑戰(zhàn)性問(wèn)題14
　　1.5.1　針對(duì)高維數(shù)據(jù)和高速數(shù)據(jù)流的擴(kuò)展15
　　1.5.2　挖掘序列數(shù)據(jù)和時(shí)間序列數(shù)據(jù)15
　　1.5.3　從復(fù)雜數(shù)據(jù)中挖掘復(fù)雜知識(shí)15
　　1.5.4　分布式數(shù)據(jù)挖掘與挖掘多代理數(shù)據(jù)15
　　1.5.5　數(shù)據(jù)挖掘過(guò)程的相關(guān)問(wèn)題16
　　1.5.6　安全性、隱私性和數(shù)據(jù)完整性16
　　1.5.7　處理非靜態(tài)、不平衡和代價(jià)敏感的數(shù)據(jù)16
　1.6　總結(jié)16
　參考文獻(xiàn)16
第2章　機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)18
　2.1　知識(shí)發(fā)現(xiàn)20
　　2.1.1　分類(lèi)20
　　2.1.2　聚類(lèi)20
　　2.1.3　降維21
　　2.1.4　協(xié)同過(guò)濾21
　2.2　機(jī)器學(xué)習(xí)：分類(lèi)算法21
　　2.2.1　邏輯回歸21
　　2.2.2　隨機(jī)森林22
　　2.2.3　隱馬爾可夫模型23
　　2.2.4　多層感知機(jī)24
　2.3　機(jī)器學(xué)習(xí)：聚類(lèi)算法26
　　2.3.1　k均值聚類(lèi)26
　　2.3.2　模糊k均值(模糊c均值)26
　　2.3.3　流k均值算法27
　2.4　機(jī)器學(xué)習(xí)：降維28
　　2.4.1　奇異值分解28
　　2.4.2　主成分分析29
　　2.4.3　Lanczos算法31
　2.5　機(jī)器學(xué)習(xí)：協(xié)同過(guò)濾32
　　2.5.1　基于用戶的協(xié)同過(guò)濾32
　　2.5.2　基于項(xiàng)目的協(xié)同過(guò)濾32
　　2.5.3　權(quán)值-λ-正規(guī)化的交替最小二乘法33
　2.6　機(jī)器學(xué)習(xí)：相似矩陣34
　　2.6.1　Pearson相關(guān)系數(shù)34
　　2.6.2　Spearman等級(jí)相關(guān)系數(shù)34
　　2.6.3　歐氏距離35
　　2.6.4　Jaccard相似系數(shù)35
　2.7　總結(jié)35
　參考文獻(xiàn)36
第3章　支持向量機(jī)分類(lèi)37
　3.1　從幾何角度看待SVM37
　3.2　SVM的主要性能38
　3.3　硬間隔SVM41
　3.4　軟間隔SVM43
　3.5　核SVM44
　3.6　多分類(lèi)SVM47
　3.7　SVM用于非平衡數(shù)據(jù)集49
　3.8　提升SVM計(jì)算需求51
　3.9　案例研究：SVM用于手寫(xiě)識(shí)別53
　　3.9.1　預(yù)處理54
　　3.9.2　特征提取54
　　3.9.3　分層的、三級(jí)SVM55
　　3.9.4　實(shí)驗(yàn)結(jié)果56
　　3.9.5　復(fù)雜度分析57
　參考文獻(xiàn)59
第4章　支持向量回歸63
　4.1　SVR概述63
　4.2　SVR：概念、數(shù)學(xué)模型和圖形表示64
　4.3　核SVR和不同的損失函數(shù):數(shù)學(xué)模型和圖形表示68
　4.4　貝葉斯線性回歸69
　4.5　案例研究：非對(duì)稱(chēng)SVR電源預(yù)測(cè)72
　參考文獻(xiàn)75
第5章　隱馬爾可夫模型76
　5.1　離散的馬爾可夫過(guò)程76
　　5.1.1　定義178
　　5.1.2　定義278
　　5.1.3　定義378
　5.2　HMM簡(jiǎn)介78
　　5.2.1　HMM的要點(diǎn)80
　　5.2.2　HMM的三種基本問(wèn)題80
　　5.2.3　HMM基本問(wèn)題的解決81
　5.3　連續(xù)觀測(cè)HMM86
　　5.3.1　多元高斯混合模型88
　　5.3.2　示例：工作負(fù)載相位識(shí)別88
　　5.3.3　監(jiān)視和觀測(cè)89
　　5.3.4　工作負(fù)載和相位89
　　5.3.5　相位探測(cè)的混合模型91
　參考文獻(xiàn)98
第6章　仿生計(jì)算：群體智能100
　6.1　應(yīng)用101
　　6.1.1　演化硬件101
　　6.1.2　仿生網(wǎng)絡(luò)103
　　6.1.3　數(shù)據(jù)中心優(yōu)化105
　6.2　仿生計(jì)算算法106
　6.3　群體智能106
　　6.3.1　蟻群優(yōu)化算法107
　　6.3.2　粒子群優(yōu)化算法109
　　6.3.3　人工蜂群算法111
　6.4　細(xì)菌覓食優(yōu)化算法113
　6.5　人工免疫系統(tǒng)114
　6.6　數(shù)據(jù)中心的分布式管理116
　　6.6.1　工作負(fù)載特征116
　　6.6.2　熱度優(yōu)化117
　　6.6.3　負(fù)載均衡117
　　6.6.4　算法模型118
　參考文獻(xiàn)120
第7章　深度神經(jīng)網(wǎng)絡(luò)122
　7.1　ANN簡(jiǎn)介122
　　7.1.1　早期的ANN結(jié)構(gòu)123
　　7.1.2　經(jīng)典的ANN124
　　7.1.3　ANN訓(xùn)練和反向傳播算法127
　7.2　DBN概述128
　7.3　受限玻爾茲曼機(jī)130
　7.4　DNN訓(xùn)練算法131
　7.5　DNN相關(guān)研究133
　　7.5.1　DNN應(yīng)用134
　　7.5.2　利用并行實(shí)現(xiàn)加快DNN訓(xùn)練135
　　7.5.3　類(lèi)似于DBN的深度網(wǎng)絡(luò)135
　參考文獻(xiàn)136
第8章　皮質(zhì)算法141
　8.1　皮質(zhì)算法入門(mén)141
　　8.1.1　皮質(zhì)算法的結(jié)構(gòu)141
　　8.1.2　皮質(zhì)算法的訓(xùn)練143
　8.2　權(quán)重更新145
　8.3　案例研究：改進(jìn)的皮質(zhì)算法在阿拉伯語(yǔ)口語(yǔ)數(shù)字化中的應(yīng)用149
　　8.3.1　基于熵的權(quán)重更新規(guī)則149
　　8.3.2　實(shí)驗(yàn)驗(yàn)證150
　參考文獻(xiàn)153
第9章　深度學(xué)習(xí)156
　9.1　層級(jí)時(shí)序存儲(chǔ)概述156
　9.2　層級(jí)時(shí)序存儲(chǔ)的演化157
　　9.2.1　稀疏分布表征160
　　9.2.2　算法實(shí)現(xiàn)160
　　9.2.3　空間池160
　　9.2.4　時(shí)間池162
　9.3　相關(guān)工作163
　9.4　脈沖神經(jīng)網(wǎng)絡(luò)概述164
　　9.4.1　Hodgkin-Huxley模型165
　　9.4.2　integrate-and-fire模型165
　　9.4.3　leaky integrate-and-fire模型165
　　9.4.4　Izhikevich模型166
　　9.4.5　Thorpe’s模型166