扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
基于图论的机器学习方法 版权信息
- ISBN：9787118126228
- 条形码：9787118126228 ; 978-7-118-12622-8
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
基于图论的机器学习方法 内容简介
本书从图划分的视角系统介绍基于图论的机器学习方法，包括机器学习中的三类基本学习问题：无监督、半监督和监督学习问题，同时考虑协同正则化、多重正则化和路径传播对基于图论的学习方法进行了拓展。通过大量的实验验证，本书提供的方法合理有效，算法效率显著提高。
基于图论的机器学习方法 目录
第1章 绪论
1.1 引言
1.2 国内外相关研究现状
1.2.1 基于图论的无监督学习
1.2.2 基于图论的半监督学习
1.2.3 基于图论的监督学习
1.2.4 图构建方法
1.2.5 基于图论的学习方法拓展
1.2.6 研究现状评述
1.3 本书的主要工作
1.3.1 针对的问题和研究思路
1.3.2 研究内容及贡献
1.4 本书的组织结构
第2章 基于图论的学习框架模型
2.1 引言
2.2 基于图论的学习与两种假设
2.2.1 流形假设
2.2.2 聚类假设
2.3 图的划分准则
2.3.1 2类划分
2.3.2 多类划分
2.4 基于图论的学习框架模型
2.4.1 问题描述与基本假设
2.4.2 约束条件放宽方法
2.4.3 模型分析
2.5 本章小结
第3章 基于图论的无监督学习
3.1 引言
3.2 基本问题描述与模型定义
3.2.1 基于图论的无监督学习问题描述
3.2.2 模型定义
3.3 基于图论的无监督学习算法框架
3.3.1 Logdet正则化
3.3.2 学习框架
3.4 基于图论的无监督学习算法
3.4.1 迭代法
3.4.2 算法收敛性
3.4.3 复杂度分析
3.5 与以往工作之间的区别和联系
3.5.1 核k均值，谱聚类和对称非负矩阵分解
3.5.2 解的非负性，维度和稀疏性
3.5.3 权重矩阵
3.6 实验结果与分析
3.6.1 实验说明
3.6.2 示例
3.6.3 真实数据集
3.6.4 聚类结果
3.6.5 算法分析
3.6.6 CAC的变形
3.7 本章小结
第4章 基于图论的半监督学习
4.1 引言
4.2 基本问题描述与模型定义
4.2.1 基于图论的半监督分类学习
4.2.2 基于图论的半监督聚类学习
4.3 基于图论的半监督学习算法
4.3.1 基于图论的半监督分类算法
4.3.2 基于图论的半监督聚类算法
4.4 与以往工作的区别和联系
4.4.1 LGC方法和GFHF方法
4.4.2 GGMC方法
4.5 实验结果与分析
4.5.1 实验说明
4.5.2 真实数据集
4.5.3 构建权重矩阵
4.5.4 半监督分类结果
4.5.5 半监督聚类结果
4.5.6 算法分析
4.6 本章小结
第5章 基于图论的监督学习
5.1 引言
5.2 基本问题描述与模型定义
5.2.1 基于图论的监督学习问题描述
5.2.2 模型定义
5.3 基本图论的监督学习算法
5.4 实验结果与分析
5.4.1 实验说明
5.4.2 真实数据集
5.4.3 分类结果
5.4.4 算法分析
5.4.5 稀疏约束拓展
5.5 本章小结
第6章 基于图论的协同正则化学习
6.1 引言
6.2 基本问题描述与模型定义
6.2.1 基于图论的无监督协同正则化学习问题描述
6.2.2 基于图论的半监督协同正则化学习问题描述
6.2.3 模型定义
6.3 基本图论的协同正则化学习算法
6.3.1 基于图论的协同正则化学习算法框架
6.3.2 基于图论的协同正则化学习算法
6.4 实验结果与分析
6.4.1 实验说明
6.4.2 数据集
6.4.3 聚类结果
6.4.4 算法分析
6.5 本章小结
第7章 基于图论的多重正则化学习
7.1 引言
7.2 基本问题描述与模型定义
7.2.1 基于图论的多重正则化学习问题描述
7.2.2 模型定义
7.3 基本图论的无监督多重正则化学习算法
7.3.1 基于图论的无监督多重正则化学习算法框架
7.3.2 基于图论的无监督多重正则化学习算法
7.3.3 算法收敛性
7.3.4 复杂度分析
7.4 基本图论的半监督多重正则化学习算法
7.4.1 基于图论的半监督多重正则化聚类学习算法
7.4.2 基于图论的半监督多重正则化分类学习算法
7.4.3 算法分析
7.5 与以往工作的区别和联系
7.6 实验结果与分析
7.6.1 实验说明
7.6.2 示例
7.6.3 真实数据集
7.6.4 实验结果
7.6.5 算法分析
7.6.6 模型变形
7.7 本章小结
第8章 基于图论的公共视频场景聚集性度量及分析
8.1 引言
8.2 公共视频中群体场景的聚集性度量和分析框架
8.2.1 聚集度主题
8.2.2 研究思路和框架
8.3 公共视频中群体场景的聚集性度量和场景划分
8.3.1 路径积分描述子
8.3.2 聚集度
8.3.3 自驱动粒子模型实验
8.3.4 场景划分方法
8.4 实验结果与分析
8.4.1 实验说明
8.4.2 数据集
8.4.3 实验结果
8.5 本章小结
参考文献
1.1 引言
1.2 国内外相关研究现状
1.2.1 基于图论的无监督学习
1.2.2 基于图论的半监督学习
1.2.3 基于图论的监督学习
1.2.4 图构建方法
1.2.5 基于图论的学习方法拓展
1.2.6 研究现状评述
1.3 本书的主要工作
1.3.1 针对的问题和研究思路
1.3.2 研究内容及贡献
1.4 本书的组织结构
第2章 基于图论的学习框架模型
2.1 引言
2.2 基于图论的学习与两种假设
2.2.1 流形假设
2.2.2 聚类假设
2.3 图的划分准则
2.3.1 2类划分
2.3.2 多类划分
2.4 基于图论的学习框架模型
2.4.1 问题描述与基本假设
2.4.2 约束条件放宽方法
2.4.3 模型分析
2.5 本章小结
第3章 基于图论的无监督学习
3.1 引言
3.2 基本问题描述与模型定义
3.2.1 基于图论的无监督学习问题描述
3.2.2 模型定义
3.3 基于图论的无监督学习算法框架
3.3.1 Logdet正则化
3.3.2 学习框架
3.4 基于图论的无监督学习算法
3.4.1 迭代法
3.4.2 算法收敛性
3.4.3 复杂度分析
3.5 与以往工作之间的区别和联系
3.5.1 核k均值，谱聚类和对称非负矩阵分解
3.5.2 解的非负性，维度和稀疏性
3.5.3 权重矩阵
3.6 实验结果与分析
3.6.1 实验说明
3.6.2 示例
3.6.3 真实数据集
3.6.4 聚类结果
3.6.5 算法分析
3.6.6 CAC的变形
3.7 本章小结
第4章 基于图论的半监督学习
4.1 引言
4.2 基本问题描述与模型定义
4.2.1 基于图论的半监督分类学习
4.2.2 基于图论的半监督聚类学习
4.3 基于图论的半监督学习算法
4.3.1 基于图论的半监督分类算法
4.3.2 基于图论的半监督聚类算法
4.4 与以往工作的区别和联系
4.4.1 LGC方法和GFHF方法
4.4.2 GGMC方法
4.5 实验结果与分析
4.5.1 实验说明
4.5.2 真实数据集
4.5.3 构建权重矩阵
4.5.4 半监督分类结果
4.5.5 半监督聚类结果
4.5.6 算法分析
4.6 本章小结
第5章 基于图论的监督学习
5.1 引言
5.2 基本问题描述与模型定义
5.2.1 基于图论的监督学习问题描述
5.2.2 模型定义
5.3 基本图论的监督学习算法
5.4 实验结果与分析
5.4.1 实验说明
5.4.2 真实数据集
5.4.3 分类结果
5.4.4 算法分析
5.4.5 稀疏约束拓展
5.5 本章小结
第6章 基于图论的协同正则化学习
6.1 引言
6.2 基本问题描述与模型定义
6.2.1 基于图论的无监督协同正则化学习问题描述
6.2.2 基于图论的半监督协同正则化学习问题描述
6.2.3 模型定义
6.3 基本图论的协同正则化学习算法
6.3.1 基于图论的协同正则化学习算法框架
6.3.2 基于图论的协同正则化学习算法
6.4 实验结果与分析
6.4.1 实验说明
6.4.2 数据集
6.4.3 聚类结果
6.4.4 算法分析
6.5 本章小结
第7章 基于图论的多重正则化学习
7.1 引言
7.2 基本问题描述与模型定义
7.2.1 基于图论的多重正则化学习问题描述
7.2.2 模型定义
7.3 基本图论的无监督多重正则化学习算法
7.3.1 基于图论的无监督多重正则化学习算法框架
7.3.2 基于图论的无监督多重正则化学习算法
7.3.3 算法收敛性
7.3.4 复杂度分析
7.4 基本图论的半监督多重正则化学习算法
7.4.1 基于图论的半监督多重正则化聚类学习算法
7.4.2 基于图论的半监督多重正则化分类学习算法
7.4.3 算法分析
7.5 与以往工作的区别和联系
7.6 实验结果与分析
7.6.1 实验说明
7.6.2 示例
7.6.3 真实数据集
7.6.4 实验结果
7.6.5 算法分析
7.6.6 模型变形
7.7 本章小结
第8章 基于图论的公共视频场景聚集性度量及分析
8.1 引言
8.2 公共视频中群体场景的聚集性度量和分析框架
8.2.1 聚集度主题
8.2.2 研究思路和框架
8.3 公共视频中群体场景的聚集性度量和场景划分
8.3.1 路径积分描述子
8.3.2 聚集度
8.3.3 自驱动粒子模型实验
8.3.4 场景划分方法
8.4 实验结果与分析
8.4.1 实验说明
8.4.2 数据集
8.4.3 实验结果
8.5 本章小结
参考文献
展开全部
基于图论的机器学习方法 作者简介
黄魁华，博士，现任国防科技大学系统工程学院讲师，主要从事智能规划方面的研究，主持承担装备预研等部委级课题3项。程光权，博士，现任国防科技大学系统工程学院副研究员，“指挥控制组织设计与优化” 科技创新团队骨干成员，主要从事军事人工智能方面的研究，主持承担自然科学基金等 课题4项、装备预研等部委级课题5项。
书友推荐
- >
我与地坛
我与地坛
¥27.2¥28.0 - >
自卑与超越
自卑与超越
¥12.7¥39.8 - >
大红狗在马戏团-大红狗克里弗-助人
大红狗在马戏团-大红狗克里弗-助人
¥3.5¥10.0 - >
史学评论
史学评论
¥23.5¥42.0 - >
月亮虎
月亮虎
¥14.4¥48.0 - >
朝闻道
朝闻道
¥8.8¥23.8 - >
唐代进士录
唐代进士录
¥15.1¥39.8 - >
伯纳黛特,你要去哪(2021新版)
伯纳黛特,你要去哪(2021新版)
¥15.9¥49.8
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8
浏览历史
少年科普热点:网络漫游
¥5.3¥15.0
