機(jī)器學(xué)習(xí)及其應(yīng)用2009

機(jī)器學(xué)習(xí)與人工智能
1 引言
2 機(jī)器學(xué)習(xí)與人工智能的不同理念
3 統(tǒng)計(jì)機(jī)器學(xué)習(xí)的特點(diǎn)
4 集群學(xué)習(xí)(ensemble learning)
5 人工智能對(duì)機(jī)器學(xué)習(xí)的補(bǔ)充
6 重采樣方法——自助法
7 變量稀疏化
8 知識(shí)的集群
9 討論和總結(jié)
參考文獻(xiàn)
關(guān)系強(qiáng)化學(xué)習(xí)研究
1 引言
2 Tetris和強(qiáng)化學(xué)習(xí)解法
2.1 Tetris
2.2 Tetris的抽象和建模
2.3 Tetris的強(qiáng)化學(xué)習(xí)解法
2.4 狀態(tài)空間抽象
3 關(guān)系強(qiáng)化學(xué)習(xí)
3.1 關(guān)系強(qiáng)化學(xué)習(xí)及其抽象
3.2 邏輯決策樹方法
3.3 馬爾可夫邏輯網(wǎng)方法
4 結(jié)束語
參考文獻(xiàn)
因果挖掘的若干統(tǒng)計(jì)方法
1 引言
2 井底之蛙：因果作用與混雜因素
3 替罪羔羊：利用替代指標(biāo)評(píng)價(jià)因果作用
3.1 幾種替代指標(biāo)準(zhǔn)則
3.2 替代指標(biāo)悖論
3.3 一致替代指標(biāo)，嚴(yán)格一致替代指標(biāo)
4 盲人摸象：貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
4.1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的分解學(xué)習(xí)方法
4.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的遞歸學(xué)習(xí)方法
4.3 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的聚類學(xué)習(xí)方法
5 綱舉目張：確定因果網(wǎng)絡(luò)方向的主動(dòng)學(xué)習(xí)方法
5.1 各種干預(yù)方法
5.2 各種算法的模擬比較
6 尋根問底+順藤摸瓜：尋摸結(jié)果變量的原因
6.1 外部干預(yù)下的預(yù)測(cè)問題
6.2 局部因果挖掘的方法
7 討論
參考文獻(xiàn)
基于學(xué)習(xí)的圖像超分辨率算法
1 引言
2 基于學(xué)習(xí)的超分辨率算法綜述
2.1 間接最大后驗(yàn)算法
2.2 直接最大后驗(yàn)算法
2.3 基于學(xué)習(xí)的超分辨率算法的優(yōu)缺點(diǎn)
3 基于學(xué)習(xí)的超分辨率算法的性能極限
3.1 什么是基于學(xué)習(xí)的超分辨率算法的極限
3.2 期望風(fēng)險(xiǎn)的下界
3.3 基于學(xué)習(xí)的超分辨率算法的極限
3.4 下界的計(jì)算與閾值的選取
3.5 討論
4 結(jié)語
參考文獻(xiàn)
分類學(xué)習(xí)的正則化技術(shù)
1 引言
2 經(jīng)典的正則化技術(shù)
2.1 Tikhonov正則化
2.2 正則化網(wǎng)絡(luò)
2.3 支持向量機(jī)
2.4 正則化最小二乘分類器
2.5 流形正則化
3 最新研究進(jìn)展
3.1 正則化分類器的泛化誤差界
3.2 正則化項(xiàng)的構(gòu)造
3.3 正則化參數(shù)的選擇
4 結(jié)束語
參考文獻(xiàn)
Transfer Learning and Its Application for WiFi Localization Problems
Sinno Jialin Pan， Vincent Wenchen Zheng and Qiang Yang
1 Introduction
2 An Overview of Transfer Learning
2.1 Instance Based Transfer Learning
2.2 Transfer Learning Through Dimensionality Reduction
2.3 Transfer Learning Through Selftaught Clustering
3 WiFi Localization in Indoor Environments
4 Transfer Learning for WILP
4.1 Transferring Localization Models over Time
4.2 Transferring Localization Models across Space
4.3 Transferring Localization Models across Devices
5 Experiments and Discussion
5.1 ICDM 2007 Data Mining Contest Dataset
5.2 Experimental Results
6 Conclusion and Future Work
References
關(guān)于boosting算法的margin解釋
1 引言
2 背景與相關(guān)工作
3 主要結(jié)果
4 對(duì)Emargin上界的解釋
5 證明
5.1 定理3的證明
5.2 命題1的證明
5.3 定理4的證明
5.4 定理5的證明
5.5 定理6的證明
6 實(shí)驗(yàn)
7 結(jié)論
參考文獻(xiàn)
最大間隔聚類快速算法研究
1 引言
1.1 支持向量機(jī)
1.2 最大間隔聚類
1.3 國(guó)內(nèi)外研究現(xiàn)狀
2 兩類問題的最大間隔聚類算法
2.1 優(yōu)化問題的等價(jià)轉(zhuǎn)化
2.2 切平面算法
3 多類問題的最大間隔聚類算法
3.1 切平面算法
4 實(shí)驗(yàn)分析
4.1 實(shí)驗(yàn)數(shù)據(jù)集
4.2 評(píng)價(jià)標(biāo)準(zhǔn)
4.3 對(duì)比算法以及參數(shù)選擇
4.4 聚類精度比較
4.5 聚類速度比較
4.6 約束凹凸規(guī)劃平均迭代次數(shù)
4.7 切平面算法計(jì)算時(shí)間與數(shù)據(jù)集規(guī)模的關(guān)系
4.8 參數(shù)ε對(duì)切平面算法精度以及速度的影響
4.9 參數(shù)C對(duì)切平面算法精度以及速度的影響
5 總結(jié)
參考文獻(xiàn)
自適應(yīng)K段主曲線
1 引言
2 主曲線綜述
2.1 主曲線初步
2.2 主曲線發(fā)展歷史
3 自適應(yīng)K段主曲線
3.1 引入先驗(yàn)知識(shí)
3.2 頂點(diǎn)移除
3.3 自適應(yīng)K段主曲線實(shí)現(xiàn)
4 實(shí)驗(yàn)
5 應(yīng)用：高精度GPS學(xué)習(xí)
6 討論
7 總結(jié)
附錄
A.1 投影步驟細(xì)節(jié)
A.2 優(yōu)化步驟細(xì)節(jié)
A.3 GPS精度的改進(jìn)
參考文獻(xiàn)
MIML：多示例多標(biāo)記學(xué)習(xí)
1 引言
2 MIML框架
3 MIML學(xué)習(xí)算法
3.1 基于退化策略的MIML學(xué)習(xí)算法
3.2 基于正則化的MIML學(xué)習(xí)算法
4 利用MIML學(xué)習(xí)單示例樣本
5 利用MIML學(xué)習(xí)復(fù)雜高層概念
6 結(jié)束語
參考文獻(xiàn)