掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能科學與技術叢書基于復雜網絡的機器學習方法/(巴西)迪亞戈.克里斯蒂亞諾 版權信息
- ISBN：9787111611493
- 條形碼：9787111611493 ; 978-7-111-61149-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能科學與技術叢書基于復雜網絡的機器學習方法/(巴西)迪亞戈.克里斯蒂亞諾 本書特色
利用復雜網絡的結構和動力學特性，可以為機器學習中的特征選擇以及樣本標注提供新方法。
智能科學與技術叢書基于復雜網絡的機器學習方法/(巴西)迪亞戈.克里斯蒂亞諾 內容簡介
本書結合兩個重要和流行的研究領域：復雜網絡和機器學習，不僅包括基礎背景知識，還包含近期*新的研究進展。書中包括大量插圖和例題幫助讀者理解主要思想和實現細節。
智能科學與技術叢書基于復雜網絡的機器學習方法/(巴西)迪亞戈.克里斯蒂亞諾 目錄
譯者序
前言
作者簡介
符號列表
第1章概述
1.1背景
1.2本書主要內容
1.3本書結構
參考文獻
第2章復雜網絡
2.1圖論簡介
2.1.1圖的定義
2.1.2圖的連通性
2.1.3路徑和環路
2.1.4子圖
2.1.5樹和森林
2.1.6圖的矩陣表示
2.2網絡演化模型
2.2.1隨機網絡
2.2.2小世界網絡
2.2.3無標度網絡
2.2.4隨機聚類網絡
2.2.5核心邊緣網絡
2.3復雜網絡的統計描述
2.3.1度和度相關性
2.3.2距離和路徑
2.3.3網絡結構
2.3.4網絡中心性
2.3.5復雜網絡度量方法的分類
2.4復雜網絡上的動力學過程
2.4.1隨機游走
2.4.2惰性隨機游走
2.4.3自避行走
2.4.4游客漫步
2.4.5流行病傳播
2.5本章小結
參考文獻
第3章機器學習
3.1引言
3.2監督學習
3.2.1數學表達式和基本假設
3.2.2主要算法
3.3無監督學習
3.3.1數學表達式和基本假設
3.3.2主要算法
3.4半監督學習
3.4.1研究目的
3.4.2數學表達式和基本假設
3.4.3主要算法
3.5基于網絡的機器學習方法概述
3.6本章小結
參考文獻
第4章網絡構建技術
4.1引言
4.2相似性與相異性
4.2.1定義
4.2.2基于向量形式的相似性函數實例
4.3向量數據的網絡轉化
4.3.1k近鄰和半徑網絡
4.3.2k近鄰和半徑組合的網絡構建技術
4.3.3b匹配網絡
4.3.4線性鄰域網絡
4.3.5松弛線性鄰域網絡
4.3.6聚類啟發式網絡
4.3.7重疊直方圖網絡
4.3.8其他網絡構建技術
4.4時間序列數據的網絡轉化
4.4.1周期網絡
4.4.2相關網絡
4.4.3循環網絡
4.4.4轉移網絡
4.5網絡構建方法分類
4.6非結構化數據網絡轉化的難點
4.7本章小結
參考文獻
第5章基于網絡的監督學習
5.1引言
5.2典型的基于網絡的監督學習技術
5.2.1基于k關聯圖的分類算法
5.2.2網絡學習工具：NetKit
5.2.3易訪問啟發式的分類算法
5.3本章小結
參考文獻
第6章基于網絡的無監督學習
6.1引言
6.2社團檢測算法
6.2.1相關概念
6.2.2數學表達式和基本假設
6.2.3前沿技術綜述
6.2.4社團檢測基準
6.3典型的基于網絡的無監督學習技術
6.3.1介數
6.3.2模塊度*大化
6.3.3譜平分法
6.3.4基于粒子競爭模型的社團檢測
6.3.5變色龍算法
6.3.6基于空間變換和群體動力學的社團檢測
6.3.7同步方法
6.3.8重疊社團挖掘
6.3.9網絡嵌入與降維
6.4本章小結
參考文獻
第7章基于網絡的半監督學習
7.1引言
7.2數學假設
7.3典型的基于網絡的半監督學習技術
7.3.1*大流和*小割
7.3.2高斯隨機場和調和函數
7.3.3Tikhonov正則化框架
7.3.4局部和全局一致性算法
7.3.5附著法
7.3.6模塊化方法
7.3.7相互作用力
7.3.8判別式游走
7.4本章小結
參考文獻
第8章基于網絡的監督學習專題研究：高級數據分類
8.1引言
8.2問題提出
8.3高級分類模型
8.3.1高級分類模型的總體思路
8.3.2混合分類框架的構建
8.4高級分類器的構建方法
8.4.1傳統的基于網絡度量方法的高級分類器構建
8.4.2基于隨機游走的高級分類器構建
8.5高級分類器的數值分析
8.5.1高級分類器應用樣本
8.5.2參數敏感性分析
8.6應用：手寫數字識別
8.6.1相關研究
8.6.2手寫數字數據集MNIST
8.6.3圖像相似性計算算法
8.6.4混合分類框架中的低級分類技術
8.6.5混合分類器的性能
8.6.6手寫數字識別樣本8.7本章小結
參考文獻
第9章基于網絡的無監督學習專題研究：隨機競爭學習
9.1引言
9.2隨機競爭學習算法模型
9.2.1模型原理
9.2.2轉移矩陣的推導
9.2.3隨機非線性動力系統的定義
9.2.4計算社團數目的方法
9.2.5重疊結構的檢測方法
9.2.6參數敏感性分析
9.2.7收斂分析
9.3模型的理論分析
9.3.1數學分析
9.3.2粒子競爭模型與傳統的多粒子隨機游走
9.3.3樣本分析
9.4重疊節點及社團檢測的數值分析
9.4.1扎卡里空手道俱樂部網絡
9.4.2海豚社交網絡
9.4.3《悲慘世界》人物關系網絡
9.5應用：手寫數字識別和字母聚類
9.5.1數據集情況
9.5.2*優粒子數和集簇數
9.5.3手寫數字或字母聚類
9.6本章小結
參考文獻
第10章基于網絡的半監督學習專題研究：隨機競爭合作學習
10.1引言
10.2隨機競爭合作模型
10.2.1半監督學習與無監督學習的差異
10.2.2半監督學習環境
10.2.3競爭轉移矩陣的修正
10.2.4系統初始條件的修正
10.3模型的理論分析
10.3.1數學分析
10.3.2樣本分析
10.4模型的數值分析
10.4.1人工合成數據集上的模擬
10.4.2真實數據集上的模擬
10.5應用：錯誤標記數據集上的錯誤標簽傳播檢測和預防
10.5.1問題提出
10.5.2錯誤標記訓練集的檢測
10.5.3錯誤標簽傳播的預防
10.5.4競爭合作模型學習系統的修正
10.5.5參數敏感性分析
10.5.6計算機模擬
10.6本章小結
參考文獻
前言
作者簡介
符號列表
第1章概述
1.1背景
1.2本書主要內容
1.3本書結構
參考文獻
第2章復雜網絡
2.1圖論簡介
2.1.1圖的定義
2.1.2圖的連通性
2.1.3路徑和環路
2.1.4子圖
2.1.5樹和森林
2.1.6圖的矩陣表示
2.2網絡演化模型
2.2.1隨機網絡
2.2.2小世界網絡
2.2.3無標度網絡
2.2.4隨機聚類網絡
2.2.5核心邊緣網絡
2.3復雜網絡的統計描述
2.3.1度和度相關性
2.3.2距離和路徑
2.3.3網絡結構
2.3.4網絡中心性
2.3.5復雜網絡度量方法的分類
2.4復雜網絡上的動力學過程
2.4.1隨機游走
2.4.2惰性隨機游走
2.4.3自避行走
2.4.4游客漫步
2.4.5流行病傳播
2.5本章小結
參考文獻
第3章機器學習
3.1引言
3.2監督學習
3.2.1數學表達式和基本假設
3.2.2主要算法
3.3無監督學習
3.3.1數學表達式和基本假設
3.3.2主要算法
3.4半監督學習
3.4.1研究目的
3.4.2數學表達式和基本假設
3.4.3主要算法
3.5基于網絡的機器學習方法概述
3.6本章小結
參考文獻
第4章網絡構建技術
4.1引言
4.2相似性與相異性
4.2.1定義
4.2.2基于向量形式的相似性函數實例
4.3向量數據的網絡轉化
4.3.1k近鄰和半徑網絡
4.3.2k近鄰和半徑組合的網絡構建技術
4.3.3b匹配網絡
4.3.4線性鄰域網絡
4.3.5松弛線性鄰域網絡
4.3.6聚類啟發式網絡
4.3.7重疊直方圖網絡
4.3.8其他網絡構建技術
4.4時間序列數據的網絡轉化
4.4.1周期網絡
4.4.2相關網絡
4.4.3循環網絡
4.4.4轉移網絡
4.5網絡構建方法分類
4.6非結構化數據網絡轉化的難點
4.7本章小結
參考文獻
第5章基于網絡的監督學習
5.1引言
5.2典型的基于網絡的監督學習技術
5.2.1基于k關聯圖的分類算法
5.2.2網絡學習工具：NetKit
5.2.3易訪問啟發式的分類算法
5.3本章小結
參考文獻
第6章基于網絡的無監督學習
6.1引言
6.2社團檢測算法
6.2.1相關概念
6.2.2數學表達式和基本假設
6.2.3前沿技術綜述
6.2.4社團檢測基準
6.3典型的基于網絡的無監督學習技術
6.3.1介數
6.3.2模塊度*大化
6.3.3譜平分法
6.3.4基于粒子競爭模型的社團檢測
6.3.5變色龍算法
6.3.6基于空間變換和群體動力學的社團檢測
6.3.7同步方法
6.3.8重疊社團挖掘
6.3.9網絡嵌入與降維
6.4本章小結
參考文獻
第7章基于網絡的半監督學習
7.1引言
7.2數學假設
7.3典型的基于網絡的半監督學習技術
7.3.1*大流和*小割
7.3.2高斯隨機場和調和函數
7.3.3Tikhonov正則化框架
7.3.4局部和全局一致性算法
7.3.5附著法
7.3.6模塊化方法
7.3.7相互作用力
7.3.8判別式游走
7.4本章小結
參考文獻
第8章基于網絡的監督學習專題研究：高級數據分類
8.1引言
8.2問題提出
8.3高級分類模型
8.3.1高級分類模型的總體思路
8.3.2混合分類框架的構建
8.4高級分類器的構建方法
8.4.1傳統的基于網絡度量方法的高級分類器構建
8.4.2基于隨機游走的高級分類器構建
8.5高級分類器的數值分析
8.5.1高級分類器應用樣本
8.5.2參數敏感性分析
8.6應用：手寫數字識別
8.6.1相關研究
8.6.2手寫數字數據集MNIST
8.6.3圖像相似性計算算法
8.6.4混合分類框架中的低級分類技術
8.6.5混合分類器的性能
8.6.6手寫數字識別樣本8.7本章小結
參考文獻
第9章基于網絡的無監督學習專題研究：隨機競爭學習
9.1引言
9.2隨機競爭學習算法模型
9.2.1模型原理
9.2.2轉移矩陣的推導
9.2.3隨機非線性動力系統的定義
9.2.4計算社團數目的方法
9.2.5重疊結構的檢測方法
9.2.6參數敏感性分析
9.2.7收斂分析
9.3模型的理論分析
9.3.1數學分析
9.3.2粒子競爭模型與傳統的多粒子隨機游走
9.3.3樣本分析
9.4重疊節點及社團檢測的數值分析
9.4.1扎卡里空手道俱樂部網絡
9.4.2海豚社交網絡
9.4.3《悲慘世界》人物關系網絡
9.5應用：手寫數字識別和字母聚類
9.5.1數據集情況
9.5.2*優粒子數和集簇數
9.5.3手寫數字或字母聚類
9.6本章小結
參考文獻
第10章基于網絡的半監督學習專題研究：隨機競爭合作學習
10.1引言
10.2隨機競爭合作模型
10.2.1半監督學習與無監督學習的差異
10.2.2半監督學習環境
10.2.3競爭轉移矩陣的修正
10.2.4系統初始條件的修正
10.3模型的理論分析
10.3.1數學分析
10.3.2樣本分析
10.4模型的數值分析
10.4.1人工合成數據集上的模擬
10.4.2真實數據集上的模擬
10.5應用：錯誤標記數據集上的錯誤標簽傳播檢測和預防
10.5.1問題提出
10.5.2錯誤標記訓練集的檢測
10.5.3錯誤標簽傳播的預防
10.5.4競爭合作模型學習系統的修正
10.5.5參數敏感性分析
10.5.6計算機模擬
10.6本章小結
參考文獻
展開全部
智能科學與技術叢書基于復雜網絡的機器學習方法/(巴西)迪亞戈.克里斯蒂亞諾 作者簡介
迪亞戈·克里斯蒂亞諾·席爾瓦（Thiago Christiano Silva） 巴西中央銀行研究員，博士畢業于巴西圣保羅大學，目前的研究領域包括機器學習、復雜網絡、金融穩定性、系統風險和銀行業務等。 趙亮（Liang Zhao） 巴西圣保羅大學教授，計算機科學與數學系主任，博士畢業于巴西航空技術學院，目前的研究興趣包括機器學習、復雜網絡、人工神經網絡和模式識別。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
名家帶你讀魯迅:故事新編
- >
巴金－再思錄
- >
經典常談
- >
莉莉和章魚
- >
朝聞道
- >
山海經
- >
月亮虎
本類暢銷
