机器学习与数据挖掘：方法和应用PDF|Epub|txt|kindle电子书版本网盘下载

机器学习与数据挖掘：方法和应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

目录2

第1部分　基本概念2

第1章　机器学习方法概述2

1.1 导论2

1.2　机器学习任务4

1.2.1　认知观点5

1.2.2　表示问题7

1.3　泛化空间的搜索11

1.3.1 学习的归纳本质11

1.3.2　穷尽搜索13

1.3.3　启发式搜索14

1.4　学习经典任务16

1.4.1　分而治之学习法16

1.4.2　主动覆盖：AQ学习24

1.4.3　学习算法评估27

1.5　如何利用谓词逻辑29

1.5.1 从关系中学习Horn子句30

1.5.2　反转归并34

1.5.3　理论修正36

1.5.4　构造归纳38

1.6　人工发现40

1.6.1　概念形成41

1.6.2　寻找自然定律46

1.6.3　动态系统的发现49

1.7　如何处理搜索空间过大50

1.7.1　类比提供搜索启发50

1.7.2　基于示例学习51

1.8　机器学习的近邻53

1.8.1　人工神经网络53

1.8.2　遗传算法55

1.9　混合系统与多策略学习57

1.9.1　熵网络58

1.9.2　基于知识的神经网络59

1.9.3　AQ泛化中的遗传搜索60

1.9.4　GA与神经网络的结合61

1.10　展望61

参考文献62

第2章　数据挖掘与知识发现：对问题和多策略方法的回顾65

2.1　前言65

2.2　机器学习与多策略数据分析67

2.2.1 从具体实例中抽取通用规则68

2.2.2　概念聚类72

2.2.3　构造性归纳73

2.2.4　选择最有代表性的样本74

2.2.5　定性与定量结合的发现75

2.2.6　定性预测75

2.2.7　基于机器学习方法的总结77

2.3　数据分析任务中的分类78

2.4　INLEN中各操作的集成81

2.5　聚类和学习操作的说明84

2.6　数据与规则的可视化86

2.7　结构属性的规则学习89

2.8　从决策规则中学习决策结构91

2.9　表示空间的自动改善93

2.9.1　确定最相关的属性93

2.9.2　新属性的产生94

2.10　应用展示：经济与人口统计数据中的发现94

2.10.1　背景94

2.10.2　实验1：多操作的集成95

2.10.3　实验2：子群中的异常识别96

2.10.4　实验3：利用结构属性97

2.10.5　实验4：利用构造性归纳运算操作99

2.11 总结100

参考文献101

第3章　机器学习在多个领域的应用102

3.1 前言102

3.2　规则归纳在多个领域中的应用103

3.2.1 提高化工过程控制中的产量103

3.2.2　信用评估决策104

3.2.3　机械设备故障诊断105

3.2.4　天体对象的自动分类106

3.2.6　减少照排印刷时的条纹现象107

3.2.5　监测旋转乳液的质量107

3.2.7　改善油气分离质量108

3.2.8　预防电力变压器故障109

3.2.9　规则归纳在其他领域的应用110

3.3　规则归纳的其他应用研究110

3.3.1 填表工作的自动化111

3.3.2　支持知识库维护111

3.3.3　航天飞机引擎的测试112

3.3.4　严重暴风雨的预报112

3.3.5　直升机叶片的修理112

3.3.8　更多应用及其相关方法113

3.3.6　预测蛋白质结构113

3.3.7　钢厂调度自动化113

3.4　若干策略和经验114

3.4.1 问题的明确描述114

3.4.2　确定表示方法115

3.4.3　训练数据的收集115

3.4.4　评估学习获得的知识116

3.4.5　知识库的具体应用116

3.4.6　机器学习应用的效能来源117

参考文献118

4.1　前言120

第4章　归纳逻辑编程的应用120

4.2　ILP方法与其他机器学习方法的比较122

4.3　预测化合物的诱变性123

4.4　放电机器中的技能重建125

4.4.1　表示方法的设计125

4.4.2　学习结果和专家评估126

4.5　ILP的一些其他应用128

4.6　总结130

参考文献131

5.1 简介134

第2部分　设计与工程134

第5章　机器学习在有限元计算中的应用134

5.2　向FEM产生器添加一个专家系统136

5.3　学习问题、实例和背景知识137

5.3.1 问题的关系特性137

5.3.2　实例来源137

5.3.3　正面实例138

5.3.4　反面实例139

5.3.5　背景知识139

5.3.6　学习集概要141

5.4.1　GOLEM的实验142

5.4　以前的实验142

5.4.2　FOIL的实验143

5.4.3　mFOIL的实验144

5.4.4　CLAUDIEN的实验144

5.4.5　MILP的实验144

5.4.6　FOSSIL的实验145

5.4.7　属性值算法的实验145

5.5　选择一个合适的学习算法145

5.6　根据CLAUDIEN学习147

5.7　归纳的规则的后期处理150

5.8　结果152

5.8.1　知识库与ES Shell152

5.8.2　对专家系统的评价153

5.9　总结156

参考文献157

第6章　归纳学习和基于事例的推理在工业机器故障检测方面的应用159

6.1 简介159

6.2　归纳学习与基于事例的推理160

6.4　应用162

6.3　更好地利用经验162

6.4.1　CFM 56-3引擎的故障检测163

6.4.2　机器人轴心的故障检测165

参考文献168

第7章　经验装配序列规划：多策略构造学习方法170

7.1　前言170

7.2　NOMAD中的表示与规划172

7.3　多策略构造学习176

7.4　NOMAD的学习场景177

7.5　与先前研究进行比较181

7.6　结束语183

参考文献184

第8章　归纳学习设计入门：关于防摩擦轴承系统的186

设计方法和实例研究186

8.1 导论186

8.2　一种学习设计规则的方法187

8.2.1　概述187

8.2.2　学习规则集的经验性错误188

8.2.3　应用已学习到的规则处理新例子189

8.3　一个示范问题的描述189

8.4　归纳方法的应用191

8.4.1 变量的定性值192

8.5　训练与事件测试193

8.5.1　设计知识源193

8.5.2　样本数据库194

8.6　结果分析194

8.6.1 从训练样本中学习规则195

8.6.2　以递增学习方法评估预备样本196

8.6.3　得到结果的可信度197

8.7 总结199

参考文献200

9.1　介绍202

第3部分　文本、图像和音乐模式的测定202

第9章　找出文本之间的关联202

9.2　FACT系统结构204

9.3　关联207

9.4　查询语言208

9.5　查询操作210

9.6　关系表达式213

9.7　对新闻数据运用FACT系统213

9.8　总结216

参考文献217

10.1 导论220

第10章　学习图像中的模式220

10.2　计算机视觉中机器学习的研究工作221

10.3　室外场景彩色图像的语义解释224

10.3.1　MIST方法224

10.3.2　实现和实验结果226

10.4　检查行李X光图像中的引爆雷管229

10.4.1　预备知识229

10.4.2　问题描述231

10.4.3　方法和实验结果232

10.5.1　来自动作的功能234

10.5　视频图像序列中的动作识别234

10.5.2　运动的计算236

10.5.3　实验238

10.6　结论与未来的研究242

10.6.1　室外场景彩色图像的语义解释242

10.6.2　行李X管图像中的引爆雷管检测242

10.6.3　识别视频图像序列中的动作242

10.6.4　在视觉系统中结合学习的优点243

参考文献244

11.1　介绍246

表达现象的经验调查246

第11章　机器学习在音乐研究领域的应用：深入音乐246

11.2　学习对象：富有表现力的音乐演奏248

11.3　背景知识的特性和价值248

11.4　方法一：在音乐符号的层次上学习250

11.4.1 目标概念251

11.4.2　定性的领域理论251

11.4.3　IBL-SMART学习算法254

11.4.4　实验255

11.5　方法二：在结构层次上学习258

11.5.1　实验260

11.6　对真实艺术的演奏的一次机器学习分析263

11.7　实验结果的讨论266

11.7.1　定量的分析267

11.7.2　对于音乐理论有用的定性结果269

11.8　总结269

参考文献270

第4部分　计算机系统和控制系统274

第12章　网页哨兵：万维网页学习者274

12.1　概述274

12.2　网页哨兵274

12.3.2　怎样描述Pages，Links和Goals280

12.3.1　该学些什么280

12.3　学习280

12.3.3　应该用什么样的学习方法282

12.4　实验结果283

12.4.1　UserChoice？能学习到多精确的程度283

12.4.2　牺牲覆盖率能改进准确率吗285

12.5　总结286

参考文献287

第13章　计算机病毒的生物启发式防御288

13.1　介绍288

13.2.1　计算机病毒289

13.2　背景289

13.2.2　病毒的检测、清除和分析290

13.3　病毒种类的检测291

13.3.1　特征选取294

13.3.2　分类器的训练和性能295

13.4　计算机免疫系统296

13.4.1　未知检测298

13.4.2　扫描已知病毒299

13.4.3　清除病毒300

13.4.4　诱饵300

13.4.5　病毒自动分析301

13.4.6　自动特征抽取302

13.4.7　免疫的记忆304

13.4.8　用自我复制对付自我复制304

13.5　结论与展望305

参考文献306

第14章　控制技术的行为复制308

14.1 引言308

14.2　行为复制310

14.3.1 问题311

14.3　杆平衡311

14.3.3　时间延迟312

14.3.4　清除效果（Clean-up Effect）312

14.3.2　杆的选择312

14.3.5　敏感性313

14.3.6　归纳规则的透明性314

14.4　学习飞行314

14.4.1 问题314

14.4.2　样本选择315

14.4.3　时间延迟315

14.4.5　敏感性316

14.4.4　清除效果316

14.4.6　归纳规则的透明度317

14.5　集装箱起重机317

14.5.1 问题317

14.5.2　选择例子318

14.5.3　时间延迟319

14.5.4　清除效果319

14.5.5　敏感性320

14.5.6　推导规则的透明度321

14.6.3　时延322

14.6.2　样本的选择322

14.6　生产线调度322

14.6.1　问题322

14.6.4　清除效果323

14.6.5　敏感性323

14.6.6　归纳规则的透明度323

14.7　讨论323

参考文献325

第15章　空中交通控制一阶知识的获取327

15.1 引言327

15.2.1　零阶与一阶表示的对比330

15.2　基于知识的关系归纳330

15.2.2　OGUST介绍333

15.3　ATC的应用341

15.3.1 简介341

15.3.2　选择表示语言341

15.3.3　确定要学习的概念341

15.3.4　获取例子并重写它们342

15.3.5　用Horn子句重写背景知识353

15.3.6　算法对结构化对象的应用355

15.3.7　重写归纳357

15.4　总结360

参考文献362

第5部分　医学和生物学366

第16章　机器学习在医学诊断中的应用366

16.1　介绍366

16.2　医学诊断367

16.3　医生与机器学习诊断结果的比较368

16.4　选择适当的机器学习系统370

16.4.1　机器学习系统的具体要求371

16.4.2　测试的算法描述372

16.4.3　医学问题上算法效果的比较374

16.4.4　医学诊断的实用性375

16.5　实践中的认同378

16.6　总结379

参考文献381

第17章　学习对生物医学信号进行分类383

17.1　介绍383

17.2　两个医学领域384

17.2.1　睡眠分类384

17.2.2　从脑电波信号中识别肌肉运动指令386

17.3　基于神经网络初始化的决策树方法388

17.3.1　TBNN基本思想389

17.3.2　初始化权值和相邻层的完全连接390

17.3.3　弱化间隔和神经网络的微调392

17.4　基于树的RBF网络初始化393

17.4.1　RBF网络及其参数393

17.4.2　基于参数设置的决策树395

17.5　试验396

17.6　讨论399

参考文献401

第18章　机器学习在河流水质的生物分类中的应用402

18.1　简介402

18.2　英国河流生物分类中的规则学习404

18.2.1　数据405

18.2.2　实验406

18.3　对斯洛文尼亚河流数据的分析410

18.3.1 理化参数对选定生物体的影响412

18.3.2　生物分类416

18.4　讨论419

参考文献421