核方法与机器学习

【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《核方法与机器学习》，欢迎阅读！

核方法与机器学习



机器学习是一门多领域交叉学科。它的目标是研究如何设计一些能够从训练数据中获取知识的模型和算法并且用于未知数据的处理。机器学习建立在很多学科基础之上,包括线性代数、统计学习理论、模式识别,以及人工智能。1995年Vapnik出版了他著名的《统计学习理论的本质》并且引入了支持向量机模型。自此核方法逐渐成为机器学习领域中一大类学习方法在过去二十年间发挥了重要的作用。本书第一次为核方法建立了代数和统计基础,并且系统地介绍了以核方法为基础的监督和无监督学习模型。

全书分为7大部分,共15章。第1部分机器学习与核向量空间,包括第1-2章:1. 基于核的机器学习方法基础;2. 核诱导向量空间。第2部分维度约减PCA/KPCA与特征选择,包括第3-4章:3. PCA与KPCA;4. 特征选择。第3部分聚类分析中的无监督学习模型,包括第5-6章:5. 聚类发现中的无监督学习;6. 聚类分析中的核方法。第4部分核岭回归及变体,包括第7-9章:7. 基于核的回归与规范化分析;

8. 监督学习中的线性回归与判别分析;9. 监督学习中

的核岭回归。第5部分支持向量机及变体,包括第10-12章:10. 支持向量机;11. 异常点检测中的支持向量学习模型;12. RidgeSVM学习模型。第6部分面向绿色机器学习技术核方法,包括第13章:13. 学习和分类的高效核方法。第7部分核方法与统计估计理论,包括第14-15章:14. 统计回归分析与变量误差模型;15. 面向估计、预测和系统辨识的核方法。

本书是第一本机器学习核方法的专著,不仅从理论上为核方法奠定了基础,而且系统介绍了核方法在各个问题领域中的应用,是一本非常难得的核方法研究材料。


本书作者S.Y. Kung是普林斯顿大学电子工程系教授,在统计信号处理、无线通信、生物信息学、多媒体信息处理、数据挖掘、机器学习等众多领域建树颇丰。本书非常适合相关领域的研究人员参考。

张志斌,副研究员

(中国科学院计算技术研究所)

本文来源：https://www.dy1993.cn/xOtx.html