译者序
作者简介
技术评审简介
致谢
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
1.4.1　C4.59
1.4.2　k均值9
1.4.3　支持向量机10
1.4.4　Apriori算法10
1.4.5　估计最大化11
1.4.6　PageRank算法11
1.4.7　AdaBoost12
1.4.8　k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
2.3.1　k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
2.4.3　Lanczos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
2.6.1　Pearson相关系数34
2.6.2　Spearman等级相关系数34
2.6.3　欧氏距离35
2.6.4　Jaccard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SVM37
3.2　SVM的主要性能38
3.3　硬间隔SVM41
3.4　软间隔SVM43
3.5　核SVM44
3.6　多分类SVM47
3.7　SVM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SVM55
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
4.1　SVR概述63
4.2　SVR：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178
5.1.2　定义278
5.1.3　定义378
5.2　HMM简介78
5.2.1　HMM的要点80
5.2.2　HMM的三种基本问题80
5.2.3　HMM基本问题的解决81
5.3　连续观测HMM86
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
7.1　ANN简介122
7.1.1　早期的ANN结构123
7.1.2　经典的ANN124
7.1.3　ANN训练和反向传播算法127
7.2　DBN概述128
7.3　受限玻尔兹曼机130
7.4　DNN训练算法131
7.5　DNN相关研究133
7.5.1　DNN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
9.4.1　Hodgkin-Huxley模型165
9.4.2　integrate-and-fire模型165
9.4.3　leaky integrate-and-fire模型165
9.4.4　Izhikevich模型166
9.4.5　Thorpe’s模型166
9.4.6　SNN的信息编码167
9.4.7　SNN的学习168
9.4.8　SNN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Ⅱ185
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Ⅱ188
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
· · · · · · (收起)