機器學習及其應用2009

機器學習與人工智能
1 引言
2 機器學習與人工智能的不同理念
3 統(tǒng)計機器學習的特點
4 集群學習(ensemble learning)
5 人工智能對機器學習的補充
6 重采樣方法——自助法
7 變量稀疏化
8 知識的集群
9 討論和總結(jié)
參考文獻
關(guān)系強化學習研究
1 引言
2 Tetris和強化學習解法
2.1 Tetris
2.2 Tetris的抽象和建模
2.3 Tetris的強化學習解法
2.4 狀態(tài)空間抽象
3 關(guān)系強化學習
3.1 關(guān)系強化學習及其抽象
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
因果挖掘的若干統(tǒng)計方法
1 引言
2 井底之蛙：因果作用與混雜因素
3 替罪羔羊：利用替代指標評價因果作用
3.1 幾種替代指標準則
3.2 替代指標悖論
3.3 一致替代指標，嚴格一致替代指標
4 盲人摸象：貝葉斯網(wǎng)絡的結(jié)構(gòu)學習
4.1 貝葉斯網(wǎng)絡結(jié)構(gòu)的分解學習方法
4.2 貝葉斯網(wǎng)絡結(jié)構(gòu)的遞歸學習方法
4.3 貝葉斯網(wǎng)絡結(jié)構(gòu)的聚類學習方法
5 綱舉目張：確定因果網(wǎng)絡方向的主動學習方法
5.1 各種干預方法
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 外部干預下的預測問題
6.2 局部因果挖掘的方法
7 討論
參考文獻
基于學習的圖像超分辨率算法
1 引言
2 基于學習的超分辨率算法綜述
2.1 間接最大后驗算法
2.2 直接最大后驗算法
2.3 基于學習的超分辨率算法的優(yōu)缺點
3 基于學習的超分辨率算法的性能極限
3.1 什么是基于學習的超分辨率算法的極限
3.2 期望風險的下界
3.3 基于學習的超分辨率算法的極限
3.4 下界的計算與閾值的選取
3.5 討論
4 結(jié)語
參考文獻
分類學習的正則化技術(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
2.3 支持向量機
2.4 正則化最小二乘分類器
2.5 流形正則化
3 最新研究進展
3.1 正則化分類器的泛化誤差界
3.2 正則化項的構(gòu)造
3.3 正則化參數(shù)的選擇
4 結(jié)束語
參考文獻
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 實驗
7 結(jié)論
參考文獻
最大間隔聚類快速算法研究
1 引言
1.1 支持向量機
1.2 最大間隔聚類
1.3 國內(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 實驗分析
4.1 實驗數(shù)據(jù)集
4.2 評價標準
4.3 對比算法以及參數(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 切平面算法計算時間與數(shù)據(jù)集規(guī)模的關(guān)系
4.8 參數(shù)ε對切平面算法精度以及速度的影響
4.9 參數(shù)C對切平面算法精度以及速度的影響
5 總結(jié)
參考文獻
自適應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K段主曲線
3.1 引入先驗知識
3.2 頂點移除
3.3 自適應K段主曲線實現(xiàn)
4 實驗
5 應用：高精度GPS學習
6 討論
7 總結(jié)
附錄
A.1 投影步驟細節(jié)
A.2 優(yōu)化步驟細節(jié)
A.3 GPS精度的改進
參考文獻
MIML：多示例多標記學習
1 引言
2 MIML框架
3 MIML學習算法
3.1 基于退化策略的MIML學習算法
3.2 基于正則化的MIML學習算法
4 利用MIML學習單示例樣本
5 利用MIML學習復雜高層概念
6 結(jié)束語
參考文獻