第1章 机器学习 1
1.1关键术语 2
1.2机器学习的步骤 4
1.3机器学习算法 6
1.4流行的机器学习算法 9
1.4.1C4.5 9
1.4.2k均值 9
1.4.3支持向量机 10
1.4.4Apriori算法 10
1.4.5估计最大化 11
1.4.6PageRank算法 11
1.4.7AdaBoost 12
1.4.8k近邻算法 13
1.4.9朴素贝叶斯 14
1.4.10分类回归树 14
1.5数据挖掘研究中的挑战性问题 14
1.5.1针对高维数据和高速数据流的扩展 15
1.5.2挖掘序列数据和时间序列数据 15
1.5.3从复杂数据中挖掘复杂知识 15
1.5.4分布式数据挖掘与挖掘多代理数据 15
1.5.5数据挖掘过程的相关问题 16
1.5.6安全性、隐私性和数据完整性 16
1.5.7处理非静态、不平衡和代价敏感的数据 16
1.6总结 16
参考文献 16
第2章 机器学习与知识发现 18
2.1知识发现 20
2.1.1分类 20
2.1.2聚类 20
2.1.3降维 21
2.1.4协同过滤 21
2.2机器学习：分类算法 21
2.2.1逻辑回归 21
2.2.2随机森林 22
2.2.3隐马尔可夫模型 23
2.2.4多层感知机 24
2.3机器学习：聚类算法 26
2.3.1k均值聚类 26
2.3.2模糊k均值（模糊c均值） 26
2.3.3流k均值算法 27
2.4机器学习：降维 28
2.4.1奇异值分解 28
2.4.2主成分分析 29
2.4.3Lanczos算法 31
2.5机器学习：协同过滤 32
2.5.1基于用户的协同过滤 32
2.5.2基于项目的协同过滤 32
2.5.3权值-λ-正规化的交替最小二乘法 33
2.6机器学习：相似矩阵 34
2.6.1Pearson相关系数 34
2.6.2Spearman等级相关系数 34
2.6.3欧氏距离 35
2.6.4Jaccard相似系数 35
2.7总结 35
参考文献 36
第3章 支持向量机分类 37
3.1从几何角度看待SVM 37
3.2SVM的主要性能 38
3.3硬间隔SVM 41
3.4软间隔SVM 43
3.5核SVM 44
3.6多分类SVM 47
3.7SVM用于非平衡数据集 49
3.8提升SVM计算需求 51
3.9案例研究：SVM用于手写识别 53
3.9.1预处理 54
3.9.2特征提取 54
3.9.3分层的、三级SVM 55
3.9.4实验结果 56
3.9.5复杂度分析 57
参考文献 59
第4章 支持向量回归 63
4.1SVR概述 63
4.2SVR：概念、数学模型和图形表示 64
4.3核SVR和不同的损失函数：数学模型和图形表示 68
4.4贝叶斯线性回归 69
4.5案例研究：非对称SVR电源预测 72
参考文献 75
第5章 隐马尔可夫模型 76
5.1离散的马尔可夫过程 76
5.1.1定义1 78
5.1.2定义2 78
5.1.3定义3 78
5.2HMM简介 78
5.2.1HMM的要点 80
5.2.2HMM的三种基本问题 80
5.2.3HMM基本问题的解决 81
5.3连续观测HMM 86
5.3.1多元高斯混合模型 88
5.3.2示例：工作负载相位识别 88
5.3.3监视和观测 89
5.3.4工作负载和相位 89
5.3.5相位探测的混合模型 91
参考文献 98
第6章 仿生计算：群体智能 100
6.1应用 101
6.1.1演化硬件 101
6.1.2仿生网络 103
6.1.3数据中心优化 105
6.2仿生计算算法 106
6.3群体智能 106
6.3.1蚁群优化算法 107
6.3.2粒子群优化算法 109
6.3.3人工蜂群算法 111
6.4细菌觅食优化算法 113
6.5人工免疫系统 114
6.6数据中心的分布式管理 116
6.6.1工作负载特征 116
6.6.2热度优化 117
6.6.3负载均衡 117
6.6.4算法模型 118
参考文献 120
第7章 深度神经网络 122
7.1ANN简介 122
7.1.1早期的ANN结构 123
7.1.2经典的ANN 124
7.1.3ANN训练和反向传播算法 127
7.2DBN概述 128
7.3受限玻尔兹曼机 130
7.4DNN训练算法 131
7.5DNN相关研究 133
7.5.1DNN应用 134
7.5.2利用并行实现加快DNN训练 135
7.5.3类似于DBN的深度网络 135
参考文献 136
第8章 皮质算法 141
8.1皮质算法入门 141
8.1.1皮质算法的结构 141
8.1.2皮质算法的训练 143
8.2权重更新 145
8.3案例研究：改进的皮质算法在阿拉伯语口语数字化中的应用 149
8.3.1基于熵的权重更新规则 149
8.3.2实验验证 150
参考文献 153
第9章 深度学习 156
9.1层级时序存储概述 156
9.2层级时序存储的演化 157
9.2.1稀疏分布表征 160
9.2.2算法实现 160
9.2.3空间池 160
9.2.4时间池 162
9.3相关工作 163
9.4脉冲神经网络概述 164
9.4.1Hodgkin-Huxley模型 165
9.4.2integrate-and-fire模型 165
9.4.3leaky integrate-and-fire模型 165
9.4.4Izhikevich模型 166
9.4.5Thorpe’s模型 166
9.4.6SNN的信息编码 167
9.4.7SNN的学习 168
9.4.8SNN的变体与扩展 169
9.5总结 170
参考文献 170
第10章 多目标优化 173
10.1形式定义 174
10.1.1帕累托优化 175
10.1.2支配关系 175
10.1.3性能度量 175
10.2机器学习：进化算法 176
10.2.1遗传算法 177
10.2.2遗传编程 178
10.3多目标优化：一种进化的方法 179
10.3.1加权和方法 180
10.3.2向量评估遗传算法 180
10.3.3多目标遗传算法 180
10.3.4小生境帕累托遗传算法 182
10.3.5非支配排序遗传算法 182
10.3.6强帕累托进化算法 183
10.3.7强帕累托进化算法Ⅱ 185
10.3.8帕累托档案进化策略 186
10.3.9基于帕累托包络的选择算法 187
10.3.10基于帕累托包络的选择算法Ⅱ 188
10.3.11带精英策略的非支配排序遗传算法 188
10.4示例：多目标优化 190
10.5目标函数 192
参考文献 193
第11章 机器学习实战示例 195
11.1可行的系统建模 196
11.2实例1：计算节点上的工作负载指纹 198
11.2.1相位测定 199
11.2.2指纹 202
11.2.3预测 206
11.3实例2：动态能量分配 206
11.3.1学习过程：特征选取 207
11.3.2学习过程：最优规划 208
11.3.3学习过程：监控 209
11.4模型训练：过程与评价 212
11.5实例3：入侵检测的系统方法 214
11.5.1建模策略 215
11.5.2入侵检测系统架构 217
11.6关于配置文件和系统的思考 220
11.7传感器数据测量 221
11.8总结 222
参考文献 223
索引 224