機器學習算法 Algorithmic Aspects of Machine Learning

Ankur Moitra 莊福振,趙朋朋譯

買這商品的人也買了...

相關主題

商品描述

本書探索理論計算機科學和機器學習這兩個領域能夠互相借鑒的知識,以此把它們關聯起來。
本書介紹機器學習中的重要模型和主要問題,並以一種容易理解的方式介紹該領域的前沿研究成果以及現代算法工具,
包括矩量法、張量分解法和凸規劃鬆弛法。
本書共8章,內容涵蓋非負矩陣分解、主題模型、張量分解、稀疏恢復、稀疏編碼、高斯混合模型和矩陣補全等。
本書適合理論計算機科學家、機器學習研究人員以及相關專業的學生閱讀和學習。

作者簡介

趙朋朋

蘇州大學教授、博士生導師,蘇州工業園區科技領軍人才,CCF高級會員,
CCF人工智能與模式識別專委會委員,CCF大數據專家委員會通訊委員。
近年來,主持國家自然科學基金項目2項、省市級項目5項,獲蘇州市科技進步獎2項,
參加國家自然科學基金項目、教育部重點項目、江蘇省重大科技支撐與自主創新項目等6項,
主持多項企業/國防橫向項目研發,包括推薦引擎、流式數據處理、大數據分析等。
在相關學術會議和期刊上發表論文100餘篇,其中包括50餘篇TKDE、AAAI、IJCAI、WWW、
ACM MM、ICDM等CCF-A/B類論文,被SCI、EI索引收錄100餘篇;申請國家發明專利30餘項,其中20餘項已獲授權。
擔任AAAI、IJCAI、CIKM、DASFAA、PAKDD等權威國際會議程序委員會委員。
主要研究方向包括推薦系統、數據挖掘、深度學習、大數據分析等。

目錄大綱

目錄
譯者序
前言
第1章引言

第2章非負矩陣分解
2.1介紹
2.2代數算法
2.3穩定性和可分離性
2.4主題模型
2.5練習

第3章張量分解:算法
3.1旋轉問題
3.2張量入門
3.3 Jennrich算法
3.4矩陣攝動界
3.5練習

第4章張量分解:應用
4.1進化樹和隱馬爾可夫模型
4.2社區發現
4.3擴展到混合模型
4.4獨立成分分析
4.5練習

第5章稀疏恢復
5.1介紹
5.2非相干性和不確定性原理
5.3追踪算法
5.4 Prony方法
5.5壓縮感知
5.6練習

第6章稀疏編碼
6.1介紹
6.2不完備情況
6.3梯度下降
6.4過完備情況
6.5練習

第7章高斯混合模型
7.1介紹
7.2基於聚類的算法
7.3密度估計的討論
7.4無聚類算法
7.5單變量算法
7.6代數幾何視圖
7.7練習

第8章矩陣補全
8.1介紹
8.2核範數
8.3量子高爾夫
參考文獻
索引