机器学习及其应用2011PDF|Epub|txt|kindle电子书版本网盘下载

机器学习及其应用2011PDF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

因果推断的可分解性和可传递性问题&耿直1

1引言1

2图模型结构学习的可分解条件2

3直接作用和间接作用3

3.1基于关联模型的直接作用与间接作用4

3.2基于因果模型的主分层直接作用4

3.3控制的和自然的直接作用6

4因果作用的可传递性问题7

5讨论11

参考文献11

机器学习的几何观点&何晓飞14

1引言14

2监督学习、半监督学习与无监督学习15

3基于几何拓扑的降维算法17

3.1流形降维17

3.2几何和拓扑18

3.3保局投影20

4主动学习和半监督学习：基于几何的观点23

5结束语和展望29

参考文献30

协同过滤与链接预测的迁移学习问题&李 斌 朱兴全 杨强33

1引言33

1.1问题背景33

1.2相关研究工作综述35

2基于矩阵分解的潜在特征空间共享36

2.1组级评分矩阵共享37

2.2项目潜在特征共享40

3协同过滤的迁移学习41

3.1评分矩阵生成模型41

3.2实验结果43

4链接预测的迁移学习45

4.1集体链接预测模型45

4.2实验结果47

5结语49

参考文献49

LDA的并行化运算及其应用&李友林51

1引言51

2 LDA算法介绍52

3 LDA算法的并行化——PLDA54

4 LDA算法的进一步并行化——PLDA+57

5 AdHeat算法——PLDA在社区推荐中的应用61

6结束语65

参考文献66

关于二类模式分类问题的分解&吕宝粮 赵海67

1引言67

2最小最大模块化网络68

2.1问题分解69

2.2模块集成70

3高斯零交叉函数最小最大模块化网络71

3.1高斯零交叉函数71

3.2高斯零交叉函数最小最大模块化网络的特点73

3.3与其他分类器的关系75

4大规模二类问题的分解策略76

4.1随机分解76

4.2超平面分解77

4.3聚类分解78

4.4基于先验知识的分解79

5大规模不平衡专利数据分类80

5.1实验数据80

5.2最小最大模块化Liblinear82

5.3性能评价指标82

5.4 Section层上A类为正类的二类问题实验83

5.5 Section层上的全部二类问题实验84

6结论85

参考文献86

面向降维的图构建技术&乔立山 张丽梅 陈松灿89

1引言89

2降维与图构建90

2.1降维技术90

2.2图及其构建技术92

3稀疏表示建图与稀疏保持投影93

3.1稀疏表示建图94

3.2稀疏保持投影97

4面向降维的图优化98

4.1图优化的局部保持投影99

4.2降维与建图的联合学习框架101

5结论103

参考文献104

统计词对齐&王海峰 刘占一 吴华108

1引言108

2机器翻译简介109

2.1基于规则的机器翻译109

2.2基于实例的机器翻译109

2.3统计机器翻译110

3双语词对齐110

3.1 IBM模型111

3.2 EM算法在词对齐中的应用114

3.3解码算法115

3.4基于HMM的统计词对齐模型116

3.5其他机器学习方法118

3.6双语词对齐评价方法119

4单语词对齐与搭配抽取119

4.1搭配简介119

4.2单语词对齐与双语词对齐的类比120

4.3基于单语词对齐的搭配抽取120

4.4实验123

5利用搭配提高双语词对齐质量126

5.1搭配概率127

5.2提高IBM模型127

5.3提高双向词对齐128

5.4实验129

6讨论与总结133

参考文献133

概念、相似性与聚类分析&于剑136

1引言136

2相似性与概念137

3相似性计算模型139

3.1样例相似性计算模型139

3.2原型理论下的相似性计算公式142

3.3相似性的融合143

4结束语143

参考文献144

互联网行业对机器学习和其他计算技术的需求&岳亚丁147

1引言147

2互联网行业现状147

2.1互联网企业收入模型147

2.2数据计算任务149

2.3典型做法151

3对计算技术的需求156

3.1解决方案框架156

3.2并行化算法157

3.3其他难题157

4小结161

参考文献161

基于指数族混合模型的在线式演化聚类算法&张见闻 张长水162

1引言162

1.1问题背景162

1.2相关研究工作综述165

2指数族混合模型167

3从密度估计的观点看聚类问题168

4基于指数族混合模型的演化聚类算法169

4.1历史数据相关的途径170

4.2历史模型相关的途径171

5实验174

6结语176

参考文献177

多标记学习&张敏灵 周志华179

1引言179

2学习框架181

2.1问题定义181

2.2评价指标182

3学习算法185

3.1算法分类185

3.2“问题转换”算法185

3.3“算法适应”算法189

4结束语193

参考文献195

Ranking on Large-scale Graphs with Rich Metadata&Bin Gao Tie-Yan Liu200

1 Introduction200

2 Unsupervised Ranking on Large-scale Graphs with Metadata201

2.1 General Framework for Unsupervised Graph Ranking203

2.2 Unsupervised Graph Ranking Algorithms207

2.3 Further Discussions on the Unsupervised General Framework211

3 Supervised Ranking on Large-scale Graphs with Metadata213

3.1 General Framework for Supervised Graph Ranking214

3.2 Supervised Graph Ranking Algorithms216

4 Summary219

References220

Semi-supervised Learning with Mixed Unlabeled Data&Haiqin Yang Kaizhu Huang Zenglin Xu Irwin King Michael R.Lyu222

1 Introduction222

2 Literature Review224

3 Model228

3.1 Notation and Problem Definition228

3.2 Framework229

3.3 Properties230

4 Solution and Algorithms231

4.1 Semi-definite Programming Transformation232

4.2 Concave Convex Procedure （CCCP）232

5 Experiment235

5.1 Setup235

5.2 Results on Real World Datasets235

5.3 Efficiency236

6 Conclusion237

References238

Learning with Local Consistency&Chiyuan Zhang Deng Cai243

1 Motivation243

2 Problem Formulation244

2.1 Local Consistency Assumption244

2.2 Regularization Framework246

2.3 Graph Representation and Construction247

3 Algorithms248

3.1 LapRLS and LapSVM248

3.2 Graph Regularized Non-negative Matrix Factorization249

3.3 Locally-consistent Topic Modeling251

3.4 Gaussian Mixture Model with Local Consistency253

4 Conclusion255

References256