机器学习及其应用

序
序言
前言
1 关于机器学习的讨论
　1-1 引言
　1-2 机器学习的发展历史
　1-3 统计机器学习
　　1-3-1 泛化问题
　　1-3-2 表示问题
　1-4 集群机器学习
　　1-4-1 弱可学习定理
　　1-4-2 经验研究问题
　1-5 符号机器学习
　　1-5-1 经典符号机器学习原理
　　1-5-2 Reduct理论
　1-6 流形学习
　　1-7 其他机器学习方法
　　1-8 总结与讨论
　参考文献
2 统计学习理论及其在非监督学习问题中的应用
　2-1 引言
　2-2 监督学习问题与统计学习算法
　　2-2-1 监督学习问题
　　2-2-2 SVM及其理论分析
　　2-2-3 统计学习算法框架
　2-3 非监督学习问题机器统计学习算法
　　2-3-1 非监督学习问题
　　2-3-2 非监督学习问题研究的一些说明和思路
　　2-3-3 η非监督学习问题
　　2-3-4 η-one-class问题
　　2-3-5 η非监督学习问题和one-class问题
　　2-3-6 其他非监督学习问题
　2-4 结束语
　参考文献
3 聚类分析技术综述
　3-1 引言
　3-2 聚类分析步骤
　3-3 聚类分析中的数据类型
　3-4 聚类模型及其算法的设计
　　3-4-1 针对连续型数据的聚类模型及算法
　　3-4-2 针对离散型数据的聚类模型及算法
　　3-4-3 针对关联型数据的聚类模型及算法
　　3-4-4 针对混合型数据的聚类模型及算法
　　3-4-5 在大型数据库中的聚类算法
　　3-4-6 其他类型的聚类模型及算法
　　3-4-7 小结
　3-5 聚类分析与奥卡姆剃刀准则
　　3-5-1 奥卡姆剃刀准则
　　3-5-2 奥卡姆剃刀准则与聚类算法
　　3-5-3 聚类算法的历史回顾
　　3-5-4 小结
　3-6 聚类有效性分析方法
　3-7 聚类分析的应用前景及发展
　参考文献
4 符号机器学习研究
　4-1 引言
　4-2 表示问题
　　4-2-1 数据预处理问题
　　4-2-2 描述数据的表示语言
　4-3 规则学习
　　4-3-1 覆盖算法
　　4-3-2 分治算法
　　4-3-3 ILP
　4-4 约简理论
　4-5 面向用户需求的符号机器学习——符号数据分析
　4-6 结束语
　参考文献
5 强化学习研究进展
……
6 流形学习若干问题研究
7 选择性集成
8 A Theoretical Study on the Computation Time of Evolutionary Algorithms
9 文本数据挖掘
10　On Conceptual Modeling of Data Mining
11 模式分类：统计方法和人工神经网络方法
12 人脸识别中子空间的统计学习
13 基于内容的视频信号分析与处理