123,123

內(nèi)容簡(jiǎn)介

　　近年來(lái)，演化計(jì)算作為計(jì)算智能中傳統(tǒng)的優(yōu)化技術(shù)，已經(jīng)廣泛應(yīng)用于求解各種數(shù)據(jù)挖掘問(wèn)題，形成了一種基于遺傳的機(jī)器學(xué)習(xí)新范式學(xué)習(xí)分類(lèi)器。一方面，在真實(shí)場(chǎng)景中采集的原始數(shù)據(jù)不可避免地包含著冗余乃至噪聲屬性的信息，這些不相關(guān)的特征將對(duì)學(xué)習(xí)分類(lèi)器算法的學(xué)習(xí)性能與計(jì)算效率造成負(fù)面影響。另一方面，學(xué)習(xí)分類(lèi)器以顯式規(guī)則表示目標(biāo)概念，在監(jiān)督學(xué)習(xí)或強(qiáng)化學(xué)習(xí)機(jī)制的基礎(chǔ)上，利用演化算法對(duì)規(guī)則空間進(jìn)行搜索，從而完成學(xué)習(xí)任務(wù)。規(guī)則空間的有效搜索是影響學(xué)習(xí)分類(lèi)器性能的關(guān)鍵。針對(duì)上述問(wèn)題，本書(shū)的主要探討內(nèi)容：一是學(xué)習(xí)分類(lèi)器與特征選擇方法，重點(diǎn)是做兩者的整合研究，將學(xué)習(xí)分類(lèi)器的分類(lèi)模型構(gòu)建過(guò)程與特征選擇的特征子集搜索過(guò)程統(tǒng)一集成在基于遺傳的機(jī)器學(xué)習(xí)框架下，同時(shí)改善分類(lèi)算法的預(yù)測(cè)性能與運(yùn)行效率；二是從提高規(guī)則空間的搜索質(zhì)量出發(fā)，著眼于分類(lèi)問(wèn)題，介紹了基于分布估計(jì)算法的學(xué)習(xí)分類(lèi)器。本書(shū)可作為大數(shù)據(jù)及人工智能等相關(guān)專(zhuān)業(yè)的教材與參考用書(shū)。

作者簡(jiǎn)介

　　徐華，清華大學(xué)計(jì)算機(jī)系副教授，博士生導(dǎo)師。主要研究興趣領(lǐng)域包括：網(wǎng)絡(luò)文本數(shù)據(jù)挖掘、智能信息處理和機(jī)器人智能控制等。作為項(xiàng)目負(fù)責(zé)人、首席技術(shù)專(zhuān)家或研發(fā)骨干，負(fù)責(zé)完成國(guó)家科技重大專(zhuān)項(xiàng)課題3項(xiàng)，國(guó)家自然科學(xué)基金項(xiàng)目4項(xiàng)，國(guó)家973項(xiàng)目二級(jí)課題2項(xiàng)，國(guó)家863項(xiàng)目（課題）5項(xiàng)，國(guó)際500強(qiáng)企業(yè)（寶潔、西門(mén)子、安捷倫等）合作項(xiàng)目13項(xiàng)。目前已在本專(zhuān)業(yè)領(lǐng)域權(quán)威期刊和會(huì)議上發(fā)表學(xué)術(shù)論文113篇；編寫(xiě)教材2本，參與編寫(xiě)學(xué)術(shù)專(zhuān)著2部。作為第一完成人獲得國(guó)家發(fā)明專(zhuān)利26項(xiàng)，國(guó)際PCT發(fā)明專(zhuān)利4項(xiàng)，軟件著作權(quán)20項(xiàng)。作為清華方面的第一完成人，獲得國(guó)家科技進(jìn)步二等獎(jiǎng)1項(xiàng)，北京市科學(xué)技術(shù)一等獎(jiǎng)、二等獎(jiǎng)和三等獎(jiǎng)各1項(xiàng)，重慶市科學(xué)技術(shù)三等獎(jiǎng)1項(xiàng)，行業(yè)協(xié)會(huì)科學(xué)技術(shù)一等獎(jiǎng)2項(xiàng)等。

圖書(shū)目錄

上篇演化機(jī)器學(xué)習(xí)——內(nèi)嵌特征選擇的學(xué)習(xí)分類(lèi)器
第1章上篇引言
1.1 研究背景
1.2 上篇主要內(nèi)容
1.3 上篇的結(jié)構(gòu)安排
第2章相關(guān)工作綜述
2.1 概述
2.2 學(xué)習(xí)分類(lèi)器研究
2.2.1 進(jìn)化計(jì)算
2.2.2 基于遺傳的機(jī)器學(xué)習(xí)思想
2.2.3 Michigan式學(xué)習(xí)分類(lèi)器研究進(jìn)展
2.2.4 Pittsburgh式學(xué)習(xí)分類(lèi)器研究進(jìn)展
2.3 特征選擇方法綜述
2.3.1 機(jī)器學(xué)習(xí)中的特征選擇問(wèn)題描述
2.3.2 特征選擇的搜索模型
2.3.3 Filter方法
2.3.4 Wrapper方法
2.3.5 Embedded方法
2.4 本章小結(jié)
第3章基于Memetic算法的Wrapper-Filter特征選擇方法
3.1 概述
3.2 Memetic算法
3.2.1 Memetic算法思想起源
3.2.2 Memetic算法框架
3.3 基于MA的混合式Wrapper-Filter特征選擇方法
3.3.1 算法設(shè)計(jì)思想
3.3.2 算法整體框架
3.3.3 全局搜索的GA-Wrapper
3.3.4 局部搜索的Relief-Filter
3.3.5 計(jì)算復(fù)雜度分析
3.4 本章小結(jié)
第4章基于合作式協(xié)同進(jìn)化內(nèi)嵌特征選擇的學(xué)習(xí)分類(lèi)器
4.1 概述
4.2 協(xié)同進(jìn)化算法
4.2.1 協(xié)同進(jìn)化思想起源
4.2.2 競(jìng)爭(zhēng)式協(xié)同進(jìn)化算法模型
4.2.3 合作式協(xié)同進(jìn)化算法模型
4.3 基于合作式協(xié)同進(jìn)化的學(xué)習(xí)分類(lèi)器
4.3.1 算法設(shè)計(jì)思想
4.3.2 算法框架
4.3.3 分類(lèi)器演化的Pittsburgh式學(xué)習(xí)分類(lèi)器算法
4.3.4 計(jì)算復(fù)雜度分析
4.4 本章小結(jié)
第5章算法評(píng)估結(jié)果與分析
5.1 概述
5.2 算法比較實(shí)驗(yàn)框架
5.2.1 Benchmark數(shù)據(jù)集
5.2.2 性能評(píng)估指標(biāo)
……
下篇演化機(jī)器學(xué)習(xí)——分布估計(jì)的學(xué)習(xí)分類(lèi)器
參考文獻(xiàn)