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
基于圖論的機器學習方法 版權信息
- ISBN：9787118126228
- 條形碼：9787118126228 ; 978-7-118-12622-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于圖論的機器學習方法 內容簡介
本書從圖劃分的視角系統介紹基于圖論的機器學習方法，包括機器學習中的三類基本學習問題：無監督、半監督和監督學習問題，同時考慮協同正則化、多重正則化和路徑傳播對基于圖論的學習方法進行了拓展。通過大量的實驗驗證，本書提供的方法合理有效，算法效率顯著提高。
基于圖論的機器學習方法 目錄
第1章 緒論
1.1 引言
1.2 國內外相關研究現狀
1.2.1 基于圖論的無監督學習
1.2.2 基于圖論的半監督學習
1.2.3 基于圖論的監督學習
1.2.4 圖構建方法
1.2.5 基于圖論的學習方法拓展
1.2.6 研究現狀評述
1.3 本書的主要工作
1.3.1 針對的問題和研究思路
1.3.2 研究內容及貢獻
1.4 本書的組織結構
第2章 基于圖論的學習框架模型
2.1 引言
2.2 基于圖論的學習與兩種假設
2.2.1 流形假設
2.2.2 聚類假設
2.3 圖的劃分準則
2.3.1 2類劃分
2.3.2 多類劃分
2.4 基于圖論的學習框架模型
2.4.1 問題描述與基本假設
2.4.2 約束條件放寬方法
2.4.3 模型分析
2.5 本章小結
第3章 基于圖論的無監督學習
3.1 引言
3.2 基本問題描述與模型定義
3.2.1 基于圖論的無監督學習問題描述
3.2.2 模型定義
3.3 基于圖論的無監督學習算法框架
3.3.1 Logdet正則化
3.3.2 學習框架
3.4 基于圖論的無監督學習算法
3.4.1 迭代法
3.4.2 算法收斂性
3.4.3 復雜度分析
3.5 與以往工作之間的區別和聯系
3.5.1 核k均值，譜聚類和對稱非負矩陣分解
3.5.2 解的非負性，維度和稀疏性
3.5.3 權重矩陣
3.6 實驗結果與分析
3.6.1 實驗說明
3.6.2 示例
3.6.3 真實數據集
3.6.4 聚類結果
3.6.5 算法分析
3.6.6 CAC的變形
3.7 本章小結
第4章 基于圖論的半監督學習
4.1 引言
4.2 基本問題描述與模型定義
4.2.1 基于圖論的半監督分類學習
4.2.2 基于圖論的半監督聚類學習
4.3 基于圖論的半監督學習算法
4.3.1 基于圖論的半監督分類算法
4.3.2 基于圖論的半監督聚類算法
4.4 與以往工作的區別和聯系
4.4.1 LGC方法和GFHF方法
4.4.2 GGMC方法
4.5 實驗結果與分析
4.5.1 實驗說明
4.5.2 真實數據集
4.5.3 構建權重矩陣
4.5.4 半監督分類結果
4.5.5 半監督聚類結果
4.5.6 算法分析
4.6 本章小結
第5章 基于圖論的監督學習
5.1 引言
5.2 基本問題描述與模型定義
5.2.1 基于圖論的監督學習問題描述
5.2.2 模型定義
5.3 基本圖論的監督學習算法
5.4 實驗結果與分析
5.4.1 實驗說明
5.4.2 真實數據集
5.4.3 分類結果
5.4.4 算法分析
5.4.5 稀疏約束拓展
5.5 本章小結
第6章 基于圖論的協同正則化學習
6.1 引言
6.2 基本問題描述與模型定義
6.2.1 基于圖論的無監督協同正則化學習問題描述
6.2.2 基于圖論的半監督協同正則化學習問題描述
6.2.3 模型定義
6.3 基本圖論的協同正則化學習算法
6.3.1 基于圖論的協同正則化學習算法框架
6.3.2 基于圖論的協同正則化學習算法
6.4 實驗結果與分析
6.4.1 實驗說明
6.4.2 數據集
6.4.3 聚類結果
6.4.4 算法分析
6.5 本章小結
第7章 基于圖論的多重正則化學習
7.1 引言
7.2 基本問題描述與模型定義
7.2.1 基于圖論的多重正則化學習問題描述
7.2.2 模型定義
7.3 基本圖論的無監督多重正則化學習算法
7.3.1 基于圖論的無監督多重正則化學習算法框架
7.3.2 基于圖論的無監督多重正則化學習算法
7.3.3 算法收斂性
7.3.4 復雜度分析
7.4 基本圖論的半監督多重正則化學習算法
7.4.1 基于圖論的半監督多重正則化聚類學習算法
7.4.2 基于圖論的半監督多重正則化分類學習算法
7.4.3 算法分析
7.5 與以往工作的區別和聯系
7.6 實驗結果與分析
7.6.1 實驗說明
7.6.2 示例
7.6.3 真實數據集
7.6.4 實驗結果
7.6.5 算法分析
7.6.6 模型變形
7.7 本章小結
第8章 基于圖論的公共視頻場景聚集性度量及分析
8.1 引言
8.2 公共視頻中群體場景的聚集性度量和分析框架
8.2.1 聚集度主題
8.2.2 研究思路和框架
8.3 公共視頻中群體場景的聚集性度量和場景劃分
8.3.1 路徑積分描述子
8.3.2 聚集度
8.3.3 自驅動粒子模型實驗
8.3.4 場景劃分方法
8.4 實驗結果與分析
8.4.1 實驗說明
8.4.2 數據集
8.4.3 實驗結果
8.5 本章小結
參考文獻
1.1 引言
1.2 國內外相關研究現狀
1.2.1 基于圖論的無監督學習
1.2.2 基于圖論的半監督學習
1.2.3 基于圖論的監督學習
1.2.4 圖構建方法
1.2.5 基于圖論的學習方法拓展
1.2.6 研究現狀評述
1.3 本書的主要工作
1.3.1 針對的問題和研究思路
1.3.2 研究內容及貢獻
1.4 本書的組織結構
第2章 基于圖論的學習框架模型
2.1 引言
2.2 基于圖論的學習與兩種假設
2.2.1 流形假設
2.2.2 聚類假設
2.3 圖的劃分準則
2.3.1 2類劃分
2.3.2 多類劃分
2.4 基于圖論的學習框架模型
2.4.1 問題描述與基本假設
2.4.2 約束條件放寬方法
2.4.3 模型分析
2.5 本章小結
第3章 基于圖論的無監督學習
3.1 引言
3.2 基本問題描述與模型定義
3.2.1 基于圖論的無監督學習問題描述
3.2.2 模型定義
3.3 基于圖論的無監督學習算法框架
3.3.1 Logdet正則化
3.3.2 學習框架
3.4 基于圖論的無監督學習算法
3.4.1 迭代法
3.4.2 算法收斂性
3.4.3 復雜度分析
3.5 與以往工作之間的區別和聯系
3.5.1 核k均值，譜聚類和對稱非負矩陣分解
3.5.2 解的非負性，維度和稀疏性
3.5.3 權重矩陣
3.6 實驗結果與分析
3.6.1 實驗說明
3.6.2 示例
3.6.3 真實數據集
3.6.4 聚類結果
3.6.5 算法分析
3.6.6 CAC的變形
3.7 本章小結
第4章 基于圖論的半監督學習
4.1 引言
4.2 基本問題描述與模型定義
4.2.1 基于圖論的半監督分類學習
4.2.2 基于圖論的半監督聚類學習
4.3 基于圖論的半監督學習算法
4.3.1 基于圖論的半監督分類算法
4.3.2 基于圖論的半監督聚類算法
4.4 與以往工作的區別和聯系
4.4.1 LGC方法和GFHF方法
4.4.2 GGMC方法
4.5 實驗結果與分析
4.5.1 實驗說明
4.5.2 真實數據集
4.5.3 構建權重矩陣
4.5.4 半監督分類結果
4.5.5 半監督聚類結果
4.5.6 算法分析
4.6 本章小結
第5章 基于圖論的監督學習
5.1 引言
5.2 基本問題描述與模型定義
5.2.1 基于圖論的監督學習問題描述
5.2.2 模型定義
5.3 基本圖論的監督學習算法
5.4 實驗結果與分析
5.4.1 實驗說明
5.4.2 真實數據集
5.4.3 分類結果
5.4.4 算法分析
5.4.5 稀疏約束拓展
5.5 本章小結
第6章 基于圖論的協同正則化學習
6.1 引言
6.2 基本問題描述與模型定義
6.2.1 基于圖論的無監督協同正則化學習問題描述
6.2.2 基于圖論的半監督協同正則化學習問題描述
6.2.3 模型定義
6.3 基本圖論的協同正則化學習算法
6.3.1 基于圖論的協同正則化學習算法框架
6.3.2 基于圖論的協同正則化學習算法
6.4 實驗結果與分析
6.4.1 實驗說明
6.4.2 數據集
6.4.3 聚類結果
6.4.4 算法分析
6.5 本章小結
第7章 基于圖論的多重正則化學習
7.1 引言
7.2 基本問題描述與模型定義
7.2.1 基于圖論的多重正則化學習問題描述
7.2.2 模型定義
7.3 基本圖論的無監督多重正則化學習算法
7.3.1 基于圖論的無監督多重正則化學習算法框架
7.3.2 基于圖論的無監督多重正則化學習算法
7.3.3 算法收斂性
7.3.4 復雜度分析
7.4 基本圖論的半監督多重正則化學習算法
7.4.1 基于圖論的半監督多重正則化聚類學習算法
7.4.2 基于圖論的半監督多重正則化分類學習算法
7.4.3 算法分析
7.5 與以往工作的區別和聯系
7.6 實驗結果與分析
7.6.1 實驗說明
7.6.2 示例
7.6.3 真實數據集
7.6.4 實驗結果
7.6.5 算法分析
7.6.6 模型變形
7.7 本章小結
第8章 基于圖論的公共視頻場景聚集性度量及分析
8.1 引言
8.2 公共視頻中群體場景的聚集性度量和分析框架
8.2.1 聚集度主題
8.2.2 研究思路和框架
8.3 公共視頻中群體場景的聚集性度量和場景劃分
8.3.1 路徑積分描述子
8.3.2 聚集度
8.3.3 自驅動粒子模型實驗
8.3.4 場景劃分方法
8.4 實驗結果與分析
8.4.1 實驗說明
8.4.2 數據集
8.4.3 實驗結果
8.5 本章小結
參考文獻
展開全部
基于圖論的機器學習方法 作者簡介
黃魁華，博士，現任國防科技大學系統工程學院講師，主要從事智能規劃方面的研究，主持承擔裝備預研等部委級課題3項。程光權，博士，現任國防科技大學系統工程學院副研究員，“指揮控制組織設計與優化” 科技創新團隊骨干成員，主要從事軍事人工智能方面的研究，主持承擔自然科學基金等 課題4項、裝備預研等部委級課題5項。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
山海經
- >
月亮虎
- >
羅曼·羅蘭讀書隨筆-精裝
- >
二體千字文
- >
羅庸西南聯大授課錄
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
小考拉的故事-套裝共3冊
本類暢銷
