Efficient Learning Machines:Theories,Concepts,and Applications for Engineers and System Designers

譯者序
作者簡介
技術評審簡介
致謝
第1章　機器學習1
　1.1　關鍵術語2
　1.2　機器學習的步驟4
　1.3　機器學習算法6
　1.4　流行的機器學習算法9
　　1.4.1　C4.59
　　1.4.2　k均值9
　　1.4.3　支持向量機10
　　1.4.4　Apriori算法10
　　1.4.5　估計最大化11
　　1.4.6　PageRank算法11
　　1.4.7　AdaBoost12
　　1.4.8　k近鄰算法13
　　1.4.9　樸素貝葉斯14
　　1.4.10　分類回歸樹14
　1.5　數據挖掘研究中的挑戰性問題14
　　1.5.1　針對高維數據和高速數據流的擴展15
　　1.5.2　挖掘序列數據和時間序列數據15
　　1.5.3　從復雜數據中挖掘復雜知識15
　　1.5.4　分布式數據挖掘與挖掘多代理數據15
　　1.5.5　數據挖掘過程的相關問題16
　　1.5.6　安全性、隱私性和數據完整性16
　　1.5.7　處理非靜態、不平衡和代價敏感的數據16
　1.6　總結16
　參考文獻16
第2章　機器學習與知識發現18
　2.1　知識發現20
　　2.1.1　分類20
　　2.1.2　聚類20
　　2.1.3　降維21
　　2.1.4　協同過濾21
　2.2　機器學習：分類算法21
　　2.2.1　邏輯回歸21
　　2.2.2　隨機森林22
　　2.2.3　隱馬爾可夫模型23
　　2.2.4　多層感知機24
　2.3　機器學習：聚類算法26
　　2.3.1　k均值聚類26
　　2.3.2　模糊k均值(模糊c均值)26
　　2.3.3　流k均值算法27
　2.4　機器學習：降維28
　　2.4.1　奇異值分解28
　　2.4.2　主成分分析29
　　2.4.3　Lanczos算法31
　2.5　機器學習：協同過濾32
　　2.5.1　基于用戶的協同過濾32
　　2.5.2　基于項目的協同過濾32
　　2.5.3　權值-λ-正規化的交替最小二乘法33
　2.6　機器學習：相似矩陣34
　　2.6.1　Pearson相關系數34
　　2.6.2　Spearman等級相關系數34
　　2.6.3　歐氏距離35
　　2.6.4　Jaccard相似系數35
　2.7　總結35
　參考文獻36
第3章　支持向量機分類37
　3.1　從幾何角度看待SVM37
　3.2　SVM的主要性能38
　3.3　硬間隔SVM41
　3.4　軟間隔SVM43
　3.5　核SVM44
　3.6　多分類SVM47
　3.7　SVM用于非平衡數據集49
　3.8　提升SVM計算需求51
　3.9　案例研究：SVM用于手寫識別53
　　3.9.1　預處理54
　　3.9.2　特征提取54
　　3.9.3　分層的、三級SVM55
　　3.9.4　實驗結果56
　　3.9.5　復雜度分析57
　參考文獻59
第4章　支持向量回歸63
　4.1　SVR概述63
　4.2　SVR：概念、數學模型和圖形表示64
　4.3　核SVR和不同的損失函數:數學模型和圖形表示68
　4.4　貝葉斯線性回歸69
　4.5　案例研究：非對稱SVR電源預測72
　參考文獻75
第5章　隱馬爾可夫模型76
　5.1　離散的馬爾可夫過程76
　　5.1.1　定義178
　　5.1.2　定義278
　　5.1.3　定義378
　5.2　HMM簡介78
　　5.2.1　HMM的要點80
　　5.2.2　HMM的三種基本問題80
　　5.2.3　HMM基本問題的解決81
　5.3　連續觀測HMM86
　　5.3.1　多元高斯混合模型88
　　5.3.2　示例：工作負載相位識別88
　　5.3.3　監視和觀測89
　　5.3.4　工作負載和相位89
　　5.3.5　相位探測的混合模型91
　參考文獻98
第6章　仿生計算：群體智能100
　6.1　應用101
　　6.1.1　演化硬件101
　　6.1.2　仿生網絡103
　　6.1.3　數據中心優化105
　6.2　仿生計算算法106
　6.3　群體智能106
　　6.3.1　蟻群優化算法107
　　6.3.2　粒子群優化算法109
　　6.3.3　人工蜂群算法111
　6.4　細菌覓食優化算法113
　6.5　人工免疫系統114
　6.6　數據中心的分布式管理116
　　6.6.1　工作負載特征116
　　6.6.2　熱度優化117
　　6.6.3　負載均衡117
　　6.6.4　算法模型118
　參考文獻120
第7章　深度神經網絡122
　7.1　ANN簡介122
　　7.1.1　早期的ANN結構123
　　7.1.2　經典的ANN124
　　7.1.3　ANN訓練和反向傳播算法127
　7.2　DBN概述128
　7.3　受限玻爾茲曼機130
　7.4　DNN訓練算法131
　7.5　DNN相關研究133
　　7.5.1　DNN應用134
　　7.5.2　利用并行實現加快DNN訓練135
　　7.5.3　類似于DBN的深度網絡135
　參考文獻136
第8章　皮質算法141
　8.1　皮質算法入門141
　　8.1.1　皮質算法的結構141
　　8.1.2　皮質算法的訓練143
　8.2　權重更新145
　8.3　案例研究：改進的皮質算法在阿拉伯語口語數字化中的應用149
　　8.3.1　基于熵的權重更新規則149
　　8.3.2　實驗驗證150
　參考文獻153
第9章　深度學習156
　9.1　層級時序存儲概述156
　9.2　層級時序存儲的演化157
　　9.2.1　稀疏分布表征160
　　9.2.2　算法實現160
　　9.2.3　空間池160
　　9.2.4　時間池162
　9.3　相關工作163
　9.4　脈沖神經網絡概述164
　　9.4.1　Hodgkin-Huxley模型165
　　9.4.2　integrate-and-fire模型165
　　9.4.3　leaky integrate-and-fire模型165
　　9.4.4　Izhikevich模型166
　　9.4.5　Thorpe’s模型166
　　9.4.6　SNN的信息編碼167
　　9.4.7　SNN的學習168
　　9.4.8　SNN的變體與擴展169
　9.5　總結170
　參考文獻170
第10章　多目標優化173
　10.1　形式定義174
　　10.1.1　帕累托優化175
　　10.1.2　支配關系175
　　10.1.3　性能度量175
　10.2　機器學習：進化算法176
　　10.2.1　遺傳算法177
　　10.2.2　遺傳編程178
　10.3　多目標優化：一種進化的方法179
　　10.3.1　加權和方法180
　　10.3.2　向量評估遺傳算法180
　　10.3.3　多目標遺傳算法180
　　10.3.4　小生境帕累托遺傳算法182
　　10.3.5　非支配排序遺傳算法182
　　10.3.6　強帕累托進化算法183
　　10.3.7　強帕累托進化算法Ⅱ185
　　10.3.8　帕累托檔案進化策略186
　　10.3.9　基于帕累托包絡的選擇算法187
　　10.3.10　基于帕累托包絡的選擇算法Ⅱ188
　　10.3.11　帶精英策略的非支配排序遺傳算法188
　10.4　示例：多目標優化190
　10.5　目標函數192
　參考文獻193
第11章　機器學習實戰示例195
　11.1　可行的系統建模196
　11.2　實例1：計算節點上的工作負載指紋198
　　11.2.1　相位測定199
　　11.2.2　指紋202
　　11.2.3　預測206
　11.3　實例2：動態能量分配206
　　11.3.1　學習過程：特征選取207
　　11.3.2　學習過程：最優規劃208
　　11.3.3　學習過程：監控209
　11.4　模型訓練：過程與評價212
　11.5　實例3：入侵檢測的系統方法214
　　11.5.1　建模策略215
　　11.5.2　入侵檢測系統架構217
　11.6　關于配置文件和系統的思考220
　11.7　傳感器數據測量221
　11.8　總結222
　參考文獻223
索引224