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 參考文獻關係強化學習研究 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 狀態空間抽象 3 關係強化學習 3.1 關係強化學習及其抽象 3.2 邏輯決策樹方法 3.3 馬爾可夫邏輯網方法 4 結束語 參考文獻因果挖掘的若乾統計方法 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 一緻替代指標，嚴格一緻替代指標 4 盲人摸象：貝葉斯網絡的結構學習 4.1 貝葉斯網絡結構的分解學習方法 4.2 貝葉斯網絡結構的遞歸學習方法 4.3 貝葉斯網絡結構的聚類學習方法 5 綱舉目張：確定因果網絡方嚮的主動學習方法 5.1 各種乾預方法 5.2 各種算法的模擬比較 6 尋根問底+順藤摸瓜：尋摸結果變量的原因 6.1 外部乾預下的預測問題 6.2 局部因果挖掘的方法 7 討論 參考文獻基於學習的圖像超分辨率算法 1 引言 2 基於學習的超分辨率算法綜述 2.1 間接最大後驗算法 2.2 直接最大後驗算法 2.3 基於學習的超分辨率算法的優缺點 3 基於學習的超分辨率算法的性能極限 3.1 什麼是基於學習的超分辨率算法的極限 3.2 期望風險的下界 3.3 基於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 結語 參考文獻分類學習的正則化技術 1 引言 2 經典的正則化技術 2.1 Tikhonov正則化 2.2 正則化網絡 2.3 支持嚮量機 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 正則化項的構造 3.3 正則化參數的選擇 4 結束語參考文獻Transfer Learning and Its Application for WiFi Localization ProblemsSinno 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關於boosting算法的margin解釋 1 引言 2 背景與相關工作 3 主要結果 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 結論 參考文獻最大間隔聚類快速算法研究 1 引言 1.1 支持嚮量機 1.2 最大間隔聚類 1.3 國內外研究現狀 2 兩類問題的最大間隔聚類算法 2.1 優化問題的等價轉化 2.2 切平麵算法 3 多類問題的最大間隔聚類算法 3.1 切平麵算法 4 實驗分析 4.1 實驗數據集 4.2 評價標準 4.3 對比算法以及參數選擇 4.4 聚類精度比較 4.5 聚類速度比較 4.6 約束凹凸規劃平均迭代次數 4.7 切平麵算法計算時間與數據集規模的關係 4.8 參數ε對切平麵算法精度以及速度的影響 4.9 參數C對切平麵算法精度以及速度的影響 5 總結 參考文獻自適應K段主麯綫 1 引言 2 主麯綫綜述 2.1 主麯綫初步 2.2 主麯綫發展曆史 3 自適應K段主麯綫 3.1 引入先驗知識 3.2 頂點移除 3.3 自適應K段主麯綫實現 4 實驗 5 應用：高精度GPS學習 6 討論 7 總結 附錄 A.1 投影步驟細節 A.2 優化步驟細節 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 基於退化策略的MIML學習算法 3.2 基於正則化的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 結束語 參考文獻
· · · · · · (收起)