机器学习及其应用 2015PDF电子书下载

稀疏学习在多任务学习中的应用&龚平华 张长水 1

1 引言 1

2 鲁棒多任务特征学习 2

3 多阶段多任务特征学习 8

4 结语 15

参考文献 15

众包数据标注中的隐类别分析&田天 朱军 19

1 引言 19

2 众包标注问题 20

3 标注整合的几种基本模型 23

3.1 多数投票模型 23

3.2 混淆矩阵模型 24

4 众包标注中的隐类别结构 26

5 隐类别估计 28

6 实验表现 30

7 结语 32

参考文献 33

演化优化的理论研究进展&俞扬 35

1 引言 35

2 演化优化算法 36

3 演化优化的理论发展 38

4 运行时间分析方法 39

5 逼近性能分析 41

6 算法参数分析 43

7 结语 45

参考文献 47

基于贝叶斯卷积网络的深度学习算法&陈渤 53

1 引言 53

2 多层稀疏因子分析 57

2.1 单层模型 57

2.2 抽取和最大池化 58

2.3 模型特征和可视化 59

3 层次化贝叶斯分析 59

3.1 层级结构 59

3.2 计算 60

3.3 贝叶斯输出的应用 60

3.4 与之前模型的相关性 61

4 推理中发掘卷积 61

4.1 Gibbs采样 61

4.2 VB推理 61

4.3 在线VB 62

5 实验结果 63

5.1 参数设定 63

5.2 合成数据以及MNIST数据 64

5.3 Caltech 101数据分析 67

5.4 每层的激活情况 71

5.5 稀疏性 71

5.6 对于Caltech 101的分类 73

5.7 在线VB和梵·高油画分析 76

6 结语 77

参考文献 79

半监督支持向量机学习方法的研究&李宇峰 周志华 83

1 引言 83

2 半监督支持向量机简介 84

3 半监督支持向量机学习方法 86

3.1 多：用于多训练示例的大规模半监督支持向量机 87

3.2 快：用于提升学习效率的快速半监督支持向量机 90

3.3 好：用于提供性能保障的安全半监督支持向量机 94

3.4 省：用于代价抑制的代价敏感半监督支持向量机 98

4 结语 102

参考文献 103

差分隐私保护的机器学习&王立威 郑凯 109

1 引言 109

2 相关定义及性质 111

3 常用机制 113

4 针对光滑查询的隐私保护机制 117

5 实验结果 121

6 结语 122

参考文献 123

学习无参考型图像质量评价方法研究&高新波 何立火 127

1 引言 127

2 基于特征表示的图像质量评价方法 128

2.1 基于特征降维的无参考型图像质量评价方法 129

2.2 基于图像块学习的无参考型图像质量评价方法 129

2.3 基于稀疏表示的无参考型图像质量评价方法 129

3 基于回归分析的图像质量评价方法 132

3.1 基于支撑矢量回归的无参考型图像质量评价方法 132

3.2 基于神经网络的无参考型图像质量评价方法 133

3.3 基于多核学习的无参考型图像质量评价方法 133

4 基于贝叶斯推理的图像质量评价方法 137

4.1 简单概率模型图像质量评价方法 138

4.2 基于主题概率模型的图像质量评价方法 138

4.3 基于深度学习的图像质量评价方法 139

5 实验结果 141

6 结语 145

参考文献 146

图像语义分割&薛向阳 151

1 引言 151

2 无监督图像区域分割 154

3 全监督语义分割方法 155

3.1 基于多尺度分割的语义分割方法 156

3.2 基于多特征融合的语义分割方法 157

3.3 基于深度网络的语义分割方法 159

4 弱监督语义分割方法 161

4.1 带Bounding Box训练图像数据 161

4.2 有精确图像层标签的训练图像数据 161

4.3 带噪声标签的训练图像数据 165

5 面向语义图像分割的常用数据集 167

6 不同监督条件下state of the art方法对比 168

7 结语 169

参考文献 170

机器学习在多模态脑图像分析中的应用&张道强 程波 接标 刘明霞 175

1 引言 175

2 流形正则化多任务特征学习 176

3 多模态流形正则化迁移学习 179

4 视图中心化的多图谱分类 181

5 实验结果 185

5.1 流形正则化多任务特征学习 185

5.2 多模态流形正则化迁移学习 189

5.3 视图中心化的多图谱分类 193

6 结语 196

参考文献 197

寒武纪神经网络计算机&陈天石 陈云霁 201

1 人工神经网络 201

2 曾经的失败 202

2.1 算法：SVM的崛起 203

2.2 应用：认知任务被忽略 203

2.3 工艺：通用处理器享受摩尔定律红利 203

3 神经网络计算机的涅槃 204

3.1 算法：深度学习的有效训练算法 204

3.2 应用：认知任务的普遍化 205

3.3 工艺：暗硅时代的到来 205

3.4 第二代神经网络的兴起 206

4 主要挑战 206

5 寒武纪神经网络（机器学习）处理器 207

5.1 DianNao 207

5.2 DaDianNao 208

5.3 PuDianNao 210

6 未来工作 212

参考文献 212