高效機器學習：理論、算法及實踐

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

譯者序
作者簡介
技術(shù)評審簡介
致謝
第1章　機器學習1
　1.1　關(guān)鍵術(shù)語2
　1.2　機器學習的步驟4
　1.3　機器學習算法6
　1.4　流行的機器學習算法9
　　1.4.1　C4.59
　　1.4.2　k均值9
　　1.4.3　支持向量機10
　　1.4.4　Apriori算法10
　　1.4.5　估計最大化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　分類回歸樹14
　1.5　數(shù)據(jù)挖掘研究中的挑戰(zhàn)性問題14
　　1.5.1　針對高維數(shù)據(jù)和高速數(shù)據(jù)流的擴展15
　　1.5.2　挖掘序列數(shù)據(jù)和時間序列數(shù)據(jù)15
　　1.5.3　從復雜數(shù)據(jù)中挖掘復雜知識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)挖掘過程的相關(guān)問題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)、不平衡和代價敏感的數(shù)據(jù)16
　1.6　總結(jié)16
　參考文獻16
第2章　機器學習與知識發(fā)現(xiàn)18
　2.1　知識發(fā)現(xiàn)20
　　2.1.1　分類20
　　2.1.2　聚類20
　　2.1.3　降維21
　　2.1.4　協(xié)同過濾21
　2.2　機器學習：分類算法21
　　2.2.1　邏輯回歸21
　　2.2.2　隨機森林22
　　2.2.3　隱馬爾可夫模型23
　　2.2.4　多層感知機24
　2.3　機器學習：聚類算法26
　　2.3.1　k均值聚類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　機器學習：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　機器學習：協(xié)同過濾32
　　2.5.1　基于用戶的協(xié)同過濾32
　　2.5.2　基于項目的協(xié)同過濾32
　　2.5.3　權(quán)值-λ-正規(guī)化的交替最小二乘法33
　2.6　機器學習：相似矩陣34
　　2.6.1　Pearson相關(guān)系數(shù)34
　　2.6.2　Spearman等級相關(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36
第3章　支持向量機分類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SVM47
　3.7　SVM用于非平衡數(shù)據(jù)集49
　3.8　提升SVM計算需求51
　3.9　案例研究：SVM用于手寫識別53
　　3.9.1　預處理54
　　3.9.2　特征提取54
　　3.9.3　分層的、三級SVM55
　　3.9.4　實驗結(jié)果56
　　3.9.5　復雜度分析57
　參考文獻59
第4章　支持向量回歸63
　4.1　SVR概述63
　4.2　SVR：概念、數(shù)學模型和圖形表示64
　4.3　核SVR和不同的損失函數(shù):數(shù)學模型和圖形表示68
　4.4　貝葉斯線性回歸69
　4.5　案例研究：非對稱SVR電源預測72
　參考文獻75
第5章　隱馬爾可夫模型76
　5.1　離散的馬爾可夫過程76
　　5.1.1　定義178
　　5.1.2　定義278
　　5.1.3　定義378
　5.2　HMM簡介78
　　5.2.1　HMM的要點80
　　5.2.2　HMM的三種基本問題80
　　5.2.3　HMM基本問題的解決81
　5.3　連續(xù)觀測HMM86
　　5.3.1　多元高斯混合模型88
　　5.3.2　示例：工作負載相位識別88
　　5.3.3　監(jiān)視和觀測89
　　5.3.4　工作負載和相位89
　　5.3.5　相位探測的混合模型91
　參考文獻98
第6章　仿生計算：群體智能100
　6.1　應用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　工作負載特征116
　　6.6.2　熱度優(yōu)化117
　　6.6.3　負載均衡117
　　6.6.4　算法模型118
　參考文獻120
第7章　深度神經(jīng)網(wǎng)絡(luò)122
　7.1　ANN簡介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訓練和反向傳播算法127
　7.2　DBN概述128
　7.3　受限玻爾茲曼機130
　7.4　DNN訓練算法131
　7.5　DNN相關(guān)研究133
　　7.5.1　DNN應用134
　　7.5.2　利用并行實現(xiàn)加快DNN訓練135
　　7.5.3　類似于DBN的深度網(wǎng)絡(luò)135
　參考文獻136
第8章　皮質(zhì)算法141
　8.1　皮質(zhì)算法入門141
　　8.1.1　皮質(zhì)算法的結(jié)構(gòu)141
　　8.1.2　皮質(zhì)算法的訓練143
　8.2　權(quán)重更新145
　8.3　案例研究：改進的皮質(zhì)算法在阿拉伯語口語數(shù)字化中的應用149
　　8.3.1　基于熵的權(quán)重更新規(guī)則149
　　8.3.2　實驗驗證150
　參考文獻153
第9章　深度學習156
　9.1　層級時序存儲概述156
　9.2　層級時序存儲的演化157
　　9.2.1　稀疏分布表征160
　　9.2.2　算法實現(xiàn)160
　　9.2.3　空間池160
　　9.2.4　時間池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