高新波、张军平主编的《机器学习及其应用 （2015）》是对第十一届和十二届中国机器学习及其 应用研讨会的一个总结，共邀请了会议中的10位专家 就其研究领域撰文，以综述的形式探讨了机器学习不 同分支及相关领域的研究进展。全书共分10章，内容 分别涉及稀疏学习、众包数据中的隐类别分析、演化 优化、深度学习、半监督支持向量机、差分隐私保护 等技术，以及机器学习在图像质量评价、图像语义分 割、多模态图像分析等方面的应用，此外，还介绍了 新硬件寒武纪神经网络计算机的研究进展。本书可供计算机、自动化及相关专业的研究人员 、教师、研究生和工程技术人员参考。
目录
- 稀疏学习在多任务学习中的应用
- 1 引言
- 2 鲁棒多任务特征学习
- 3 多阶段多任务特征学习
- 4 结语
- 参考文献
- 众包数据标注中的隐类别分析
- 1 引言
- 2 众包标注问题
- 3 标注整合的几种基本模型
- 3.1 多数投票模型
- 3.2 混淆矩阵模型
- 4 众包标注中的隐类别结构
- 5 隐类别估计
- 6 实验表现
- 7 结语
- 参考文献
- 演化优化的理论研究进展
- 1 引言
- 2 演化优化算法
- 3 演化优化的理论发展
- 4 运行时间分析方法
- 5 逼近性能分析
- 6 算法参数分析
- 7 结语
- 参考文献
- 基于贝叶斯卷积网络的深度学习算法
- 1 引言
- 2 多层稀疏因子分析
- 2.1 单层模型
- 2.2 抽取和最大池化
- 2.3 模型特征和可视化
- 3 层次化贝叶斯分析
- 3.1 层级结构
- 3.2 计算
- 3.3 贝叶斯输出的应用
- 3.4 与之前模型的相关性
- 4 推理中发掘卷积
- 4.1 Gibbs采样
- 4.2 VB推理
- 4.3 在线VB
- 5 实验结果
- 5.1 参数设定
- 5.2 合成数据以及MNIST数据
- 5.3 Caltech 101数据分析
- 5.4 每层的激活情况
- 5.5 稀疏性
- 5.6 对于Caltech 101的分类
- 5.7 在线VB和梵·高油画分析
- 6 结语
- 参考文献
- 半监督支持向量机学习方法的研究
- 1 引言
- 2 半监督支持向量机简介
- 3 半监督支持向量机学习方法
- 3.1 多：用于多训练示例的大规模半监督支持向量机
- 3.2 快：用于提升学习效率的快速半监督支持向量机
- 3.3 好：用于提供性能保障的安全半监督支持向量机
- 3.4 省：用于代价抑制的代价敏感半监督支持向量机
- 4 结语
- 参考文献
- 差分隐私保护的机器学习
- 1 引言
- 2 相关定义及性质
- 3 常用机制
- 4 针对光滑查询的隐私保护机制
- 5 实验结果
- 6 结语
- 参考文献
- 学习无参考型图像质量评价方法研究
- 1 引言
- 2 基于特征表示的图像质量评价方法
- 2.1 基于特征降维的无参考型图像质量评价方法
- 2.2 基于图像块学习的无参考型图像质量评价方法
- 2.3 基于稀疏表示的无参考型图像质量评价方法
- 3 基于回归分析的图像质量评价方法
- 3.1 基于支撑矢量回归的无参考型图像质量评价方法
- 3.2 基于神经网络的无参考型图像质量评价方法
- 3.3 基于多核学习的无参考型图像质量评价方法
- 4 基于贝叶斯推理的图像质量评价方法
- 4.1 简单概率模型图像质量评价方法
- 4.2 基于主题概率模型的图像质量评价方法
- 4.3 基于深度学习的图像质量评价方法
- 5 实验结果
- 6 结语
- 参考文献
- 图像语义分割
- 1 引言
- 2 无监督图像区域分割
- 3 全监督语义分割方法
- 3.1 基于多尺度分割的语义分割方法
- 3.2 基于多特征融合的语义分割方法
- 3.3 基于深度网络的语义分割方法
- 4 弱监督语义分割方法
- 4.1 带Bounding Box训练图像数据
- 4.2 有精确图像层标签的训练图像数据
- 4.3 带噪声标签的训练图像数据
- 5 面向语义图像分割的常用数据集
- 6 不同监督条件下state of the art方法对比
- 7 结语
- 参考文献
- 机器学习在多模态脑图像分析中的应用
- 1 引言
- 2 流形正则化多任务特征学习
- 3 多模态流形正则化迁移学习
- 4 视图中心化的多图谱分类
- 5 实验结果
- 5.1 流形正则化多任务特征学习
- 5.2 多模态流形正则化迁移学习
- 5.3 视图中心化的多图谱分类
- 6 结语
- 参考文献
- 寒武纪神经网络计算机
- 1 人工神经网络
- 2 曾经的失败
- 2.1 算法：SVM的崛起
- 2.2 应用：认知任务被忽略
- 2.3 工艺：通用处理器享受摩尔定律红利
- 3 神经网络计算机的涅槃
- 3.1 算法：深度学习的有效训练算法
- 3.2 应用：认知任务的普遍化
- 3.3 工艺：暗硅时代的到来
- 3.4 第二代神经网络的兴起
- 4 主要挑战
- 5 寒武纪神经网络（机器学习）处理器
- 5.1 DianNao
- 5.2 DaDianNao
- 5.3 PuDianNao
- 6 未来工作
- 参考文献
