机器学习及其应用

序序言前言1 关于机器学习的讨论　1-1 引言　1-2 机器学习的发展历史　1-3 统计机器学习　　1-3-1 泛化问题　　1-3-2 表示问题　1-4 集群机器学习　　1-4-1 弱可学习定理　　1-4-2 经验研究问题　1-5 符号机器学习　　1-5-1 经典符号机器学习原理　　1-5-2 Reduct理论

序序言前言1 关于机器学习的讨论　1-1 引言　1-2 机器学习的发展历史　1-3 统计机器学习　　1-3-1 泛化问题　　1-3-2 表示问题　1-4 集群机器学习　　1-4-1 弱可学习定理　　1-4-2 经验研究问题　1-5 符号机器学习　　1-5-1 经典符号机器学习原理　　1-5-2 Reduct理论　1-6 流形学习　　1-7 其他机器学习方法　　1-8 总结与讨论　参考文献2 统计学习理论及其在非监督学习问题中的应用　2-1 引言　2-2 监督学习问题与统计学习算法　　2-2-1 监督学习问题　　2-2-2 SVM及其理论分析　　2-2-3 统计学习算法框架　2-3 非监督学习问题机器统计学习算法　　2-3-1 非监督学习问题　　2-3-2 非监督学习问题研究的一些说明和思路　　2-3-3 η非监督学习问题　　2-3-4 η-one-class问题　　2-3-5 η非监督学习问题和one-class问题　　2-3-6 其他非监督学习问题　2-4 结束语　参考文献3 聚类分析技术综述　3-1 引言　3-2 聚类分析步骤　3-3 聚类分析中的数据类型　3-4 聚类模型及其算法的设计　　3-4-1 针对连续型数据的聚类模型及算法　　3-4-2 针对离散型数据的聚类模型及算法　　3-4-3 针对关联型数据的聚类模型及算法　　3-4-4 针对混合型数据的聚类模型及算法　　3-4-5 在大型数据库中的聚类算法　　3-4-6 其他类型的聚类模型及算法　　3-4-7 小结　3-5 聚类分析与奥卡姆剃刀准则　　3-5-1 奥卡姆剃刀准则　　3-5-2 奥卡姆剃刀准则与聚类算法　　3-5-3 聚类算法的历史回顾　　3-5-4 小结　3-6 聚类有效性分析方法　3-7 聚类分析的应用前景及发展　参考文献4 符号机器学习研究　4-1 引言　4-2 表示问题　　4-2-1 数据预处理问题　　4-2-2 描述数据的表示语言　4-3 规则学习　　4-3-1 覆盖算法　　4-3-2 分治算法　　4-3-3 ILP　4-4 约简理论　4-5 面向用户需求的符号机器学习——符号数据分析　4-6 结束语　参考文献5 强化学习研究进展……6 流形学习若干问题研究7 选择性集成8 A Theoretical Study on the Computation Time of Evolutionary Algorithms9 文本数据挖掘10　On Conceptual Modeling of Data Mining11 模式分类：统计方法和人工神经网络方法12 人脸识别中子空间的统计学习13 基于内容的视频信号分析与处理

北京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，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术。本书邀请国内外相关领域的专家撰文，以综述的形式介绍机器学习中不同领域的研究进展。全书共分13章。第1章是关于机器学习的一个全局性综述。第2至第6章分别对统计学习、非监督学习、符号学习、强化学习和流形学习进行了综述，并穿插了作者的一些精彩工作。第7和第8章分别介绍了作者在集成学习和进化学习中某一具体话题上的研究成果。第9和第10章对数据挖掘中的一些问题进行了介绍和讨论。第11至第13章则对机器学习在模式识别、视频信息处理等领域的应用做了介绍。 本书可供计算机、自动化及相关专业的学生、教师、研究生和工程技术人员参考。