機器學(xué)習(xí)算法理論與應(yīng)用

序言
第1部分 深度學(xué)習(xí)應(yīng)用
1 圖像分類
1.1 圖像分類任務(wù)
1.2 支持向量機和卷積神經(jīng)網(wǎng)絡(luò)
1.3 神經(jīng)網(wǎng)絡(luò)逼近核函數(shù)混合連接的圖像分類方法
1.4 應(yīng)用示例
2 時間序列分析
2.1 統(tǒng)計方法
2.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
3 目標(biāo)檢測
3.1 基本概念
3.2 核心原理
3.3 經(jīng)典模型
3.4 目標(biāo)檢測數(shù)據(jù)集
3.5 圖像標(biāo)注
3.6 目標(biāo)檢測應(yīng)用——輪轂焊縫精確識別與快速定位
4 文本檢測
4.1 研究基礎(chǔ)
4.2 基于多尺度特征融合的自然場景文本檢測算法
5 冠狀動脈分割
5.1 研究基礎(chǔ)
5.2 基于分形分析的噪聲圖像超分辨率重建
5.3 基于多特征融合的MFM R-CNN網(wǎng)絡(luò)
6 單幅圖像去雨
6.1 基于物理模型的單幅圖像去雨算法
6.2 基于學(xué)習(xí)的單幅圖像去雨算法
6.3 基于擠壓激勵塊的多階段去雨算法
7 單幅圖像去霧
7.1 大氣散射模型
7.2 經(jīng)典的圖像去霧算法
7.3 基于迭代去霧模型和CycleGAN的單幅圖像去霧算法
7.4 混合透射率迭代估計的單幅圖像去霧算法
7.5 基于注意力機制的半監(jiān)督圖像去霧算法
8 異構(gòu)圖文本數(shù)據(jù)分類
8.1 基本概念與原理
8.2 提出算法
8.3 實驗
第Ⅱ部分 集成學(xué)習(xí)模型及應(yīng)用
9 基于自適應(yīng)策略粒子群優(yōu)化的XGBoost模型
9.1 極限梯度提升樹算法（XGBoost）
9.2 基于自適應(yīng)策略粒子群優(yōu)化的XGBoost金融信貸預(yù)測模型
9.3 實驗結(jié)果及分析
10 基于神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的期權(quán)定價模型
10.1 經(jīng)典算法與模型
10.2 基于神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的期權(quán)定價模型
10.3 實驗結(jié)果及分析
第Ⅲ部分 遷移學(xué)習(xí)及應(yīng)用
11 遷移學(xué)習(xí)基礎(chǔ)知識
11.1 基本概念
11.2 遷移學(xué)習(xí)的分類
11.3 遷移學(xué)習(xí)方法
11.4 深度遷移學(xué)習(xí)
11.5 深度域適應(yīng)
12 基于遷移學(xué)習(xí)的水下圖像增強
12.1 研究現(xiàn)狀
12.2 算法描述
12.3 實驗結(jié)果及分析
第Ⅳ部分 強化學(xué)習(xí)及應(yīng)用
13 強化學(xué)習(xí)基礎(chǔ)知識
13.1 馬爾科夫決策過程
13.2 深度強化學(xué)習(xí)算法介紹
14 基于深度強化學(xué)習(xí)的股票量化交易
14.1 研究現(xiàn)狀
14.2 算法的提出
14.3 實驗結(jié)果及分析
第Ⅴ部分 多模態(tài)融合及應(yīng)用
15 股票漲跌預(yù)測
15.1 基本概念與原理
15.2 基于Transfomer注意力網(wǎng)絡(luò)的股票漲跌預(yù)測方法1
16 語音分離
16.1 語音分離算法的基本概念與分類
16.2 基于聽覺信息的傳統(tǒng)語音分離算法
16.3 基于深度學(xué)習(xí)的語音分離算法
16.4 音視頻結(jié)合的語音分離算法
16.5 基于多模態(tài)融合開展的工作
第Ⅵ部分 參數(shù)優(yōu)化算法
17 粒子群優(yōu)化算法
17.1 基本概念與原理
17.2 基于控制參數(shù)調(diào)整的粒子群優(yōu)化算法
17.3 基于鄰域拓撲的粒子群優(yōu)化算法
17.4 基于輔助搜索技術(shù)的粒子群優(yōu)化算法
18 自適應(yīng)粒子群優(yōu)化算法及其應(yīng)用
18.1 基于自適應(yīng)學(xué)習(xí)策略的粒子群優(yōu)化算法
18.2 基于自適應(yīng)演化狀態(tài)分析的粒子群優(yōu)化算法
18.3 基于自適應(yīng)變異粒子群優(yōu)化支持向量機的信用評估方法
后記