欢迎访问学兔兔,学习、交流 分享 !

返回首页 |
当前位置: 首页 > 书籍手册>计算机与网络 >机器学习及其应用2015

机器学习及其应用2015

收藏
推荐:升级会员 无限下载,节约时间成本!
关键词:主编   机器   及其   应用   学习
资源简介
机器学习及其应用2015
作者:高新波,张军平 主编
出版时间:2015年版
内容简介
  高新波、张军平主编的《机器学习及其应用 (2015)》是对第十一届和十二届中国机器学习及其 应用研讨会的一个总结,共邀请了会议中的10位专家 就其研究领域撰文,以综述的形式探讨了机器学习不 同分支及相关领域的研究进展。全书共分10章,内容 分别涉及稀疏学习、众包数据中的隐类别分析、演化 优化、深度学习、半监督支持向量机、差分隐私保护 等技术,以及机器学习在图像质量评价、图像语义分 割、多模态图像分析等方面的应用,此外,还介绍了 新硬件寒武纪神经网络计算机的研究进展。本书可供计算机、自动化及相关专业的研究人员 、教师、研究生和工程技术人员参考。
目录
稀疏学习在多任务学习中的应用
1 引言
2 鲁棒多任务特征学习
3 多阶段多任务特征学习
4 结语
参考文献
众包数据标注中的隐类别分析
1 引言
2 众包标注问题
3 标注整合的几种基本模型
3.1 多数投票模型
3.2 混淆矩阵模型
4 众包标注中的隐类别结构
5 隐类别估计
6 实验表现
7 结语
参考文献
演化优化的理论研究进展
1 引言
2 演化优化算法
3 演化优化的理论发展
4 运行时间分析方法
5 逼近性能分析
6 算法参数分析
7 结语
参考文献
基于贝叶斯卷积网络的深度学习算法
1 引言
2 多层稀疏因子分析
2.1 单层模型
2.2 抽取和最大池化
2.3 模型特征和可视化
3 层次化贝叶斯分析
3.1 层级结构
3.2 计算
3.3 贝叶斯输出的应用
3.4 与之前模型的相关性
4 推理中发掘卷积
4.1 Gibbs采样
4.2 VB推理
4.3 在线VB
5 实验结果
5.1 参数设定
5.2 合成数据以及MNIST数据
5.3 Caltech 101数据分析
5.4 每层的激活情况
5.5 稀疏性
5.6 对于Caltech 101的分类
5.7 在线VB和梵·高油画分析
6 结语
参考文献
半监督支持向量机学习方法的研究
1 引言
2 半监督支持向量机简介
3 半监督支持向量机学习方法
3.1 多:用于多训练示例的大规模半监督支持向量机
3.2 快:用于提升学习效率的快速半监督支持向量机
3.3 好:用于提供性能保障的安全半监督支持向量机
3.4 省:用于代价抑制的代价敏感半监督支持向量机
4 结语
参考文献
差分隐私保护的机器学习
1 引言
2 相关定义及性质
3 常用机制
4 针对光滑查询的隐私保护机制
5 实验结果
6 结语
参考文献
学习无参考型图像质量评价方法研究
1 引言
2 基于特征表示的图像质量评价方法
2.1 基于特征降维的无参考型图像质量评价方法
2.2 基于图像块学习的无参考型图像质量评价方法
2.3 基于稀疏表示的无参考型图像质量评价方法
3 基于回归分析的图像质量评价方法
3.1 基于支撑矢量回归的无参考型图像质量评价方法
3.2 基于神经网络的无参考型图像质量评价方法
3.3 基于多核学习的无参考型图像质量评价方法
4 基于贝叶斯推理的图像质量评价方法
4.1 简单概率模型图像质量评价方法
4.2 基于主题概率模型的图像质量评价方法
4.3 基于深度学习的图像质量评价方法
5 实验结果
6 结语
参考文献
图像语义分割
1 引言
2 无监督图像区域分割
3 全监督语义分割方法
3.1 基于多尺度分割的语义分割方法
3.2 基于多特征融合的语义分割方法
3.3 基于深度网络的语义分割方法
4 弱监督语义分割方法
4.1 带Bounding Box训练图像数据
4.2 有精确图像层标签的训练图像数据
4.3 带噪声标签的训练图像数据
5 面向语义图像分割的常用数据集
6 不同监督条件下state of the art方法对比
7 结语
参考文献
机器学习在多模态脑图像分析中的应用
1 引言
2 流形正则化多任务特征学习
3 多模态流形正则化迁移学习
4 视图中心化的多图谱分类
5 实验结果
5.1 流形正则化多任务特征学习
5.2 多模态流形正则化迁移学习
5.3 视图中心化的多图谱分类
6 结语
参考文献
寒武纪神经网络计算机
1 人工神经网络
2 曾经的失败
2.1 算法:SVM的崛起
2.2 应用:认知任务被忽略
2.3 工艺:通用处理器享受摩尔定律红利
3 神经网络计算机的涅槃
3.1 算法:深度学习的有效训练算法
3.2 应用:认知任务的普遍化
3.3 工艺:暗硅时代的到来
3.4 第二代神经网络的兴起
4 主要挑战
5 寒武纪神经网络(机器学习)处理器
5.1 DianNao
5.2 DaDianNao
5.3 PuDianNao
6 未来工作
参考文献
下载地址