第1章 机器学习

1.1关键术语

1.2机器学习的步骤

1.3机器学习算法

1.4流行的机器学习算法

1.4.1C4.5

1.4.2k均值

1.4.3支持向量机

1.4.4Apriori算法

1.4.5估计最大化

1.4.6PageRank算法

1.4.7AdaBoost

1.4.8k近邻算法

1.4.9朴素贝叶斯

1.4.10分类回归树

1.5数据挖掘研究中的挑战性问题

1.5.1针对高维数据和高速数据流的扩展

1.5.2挖掘序列数据和时间序列数据

1.5.3从复杂数据中挖掘复杂知识

1.5.4分布式数据挖掘与挖掘多代理数据

1.5.5数据挖掘过程的相关问题

1.5.6安全性、隐私性和数据完整性

1.5.7处理非静态、不平衡和代价敏感的数据

1.6总结

参考文献

第2章 机器学习与知识发现

2.1知识发现

2.1.1分类

2.1.2聚类

2.1.3降维

2.1.4协同过滤

2.2机器学习：分类算法

2.2.1逻辑回归

2.2.2随机森林

2.2.3隐马尔可夫模型

2.2.4多层感知机

2.3机器学习：聚类算法

2.3.1k均值聚类

2.3.2模糊k均值（模糊c均值）

2.3.3流k均值算法

2.4机器学习：降维

2.4.1奇异值分解

2.4.2主成分分析

2.4.3Lanczos算法

2.5机器学习：协同过滤

2.5.1基于用户的协同过滤

2.5.2基于项目的协同过滤

2.5.3权值-λ-正规化的交替最小二乘法

2.6机器学习：相似矩阵

2.6.1Pearson相关系数

2.6.2Spearman等级相关系数

2.6.3欧氏距离

2.6.4Jaccard相似系数

2.7总结

参考文献

第3章 支持向量机分类

3.1从几何角度看待SVM

3.2SVM的主要性能

3.3硬间隔SVM

3.4软间隔SVM

3.5核SVM

3.6多分类SVM

3.7SVM用于非平衡数据集

3.8提升SVM计算需求

3.9案例研究：SVM用于手写识别

3.9.1预处理

3.9.2特征提取

3.9.3分层的、三级SVM

3.9.4实验结果

3.9.5复杂度分析

参考文献

第4章 支持向量回归

4.1SVR概述

4.2SVR：概念、数学模型和图形表示

4.3核SVR和不同的损失函数：数学模型和图形表示

4.4贝叶斯线性回归

4.5案例研究：非对称SVR电源预测

参考文献

第5章 隐马尔可夫模型

5.1离散的马尔可夫过程

5.1.1定义1

5.1.2定义2

5.1.3定义3

5.2HMM简介

5.2.1HMM的要点

5.2.2HMM的三种基本问题

5.2.3HMM基本问题的解决

5.3连续观测HMM

5.3.1多元高斯混合模型

5.3.2示例：工作负载相位识别

5.3.3监视和观测

5.3.4工作负载和相位

5.3.5相位探测的混合模型

参考文献

第6章 仿生计算：群体智能

6.1应用

6.1.1演化硬件

6.1.2仿生网络

6.1.3数据中心优化

6.2仿生计算算法

6.3群体智能

6.3.1蚁群优化算法

6.3.2粒子群优化算法

6.3.3人工蜂群算法

6.4细菌觅食优化算法

6.5人工免疫系统

6.6数据中心的分布式管理

6.6.1工作负载特征

6.6.2热度优化

6.6.3负载均衡

6.6.4算法模型

参考文献

第7章 深度神经网络

7.1ANN简介

7.1.1早期的ANN结构

7.1.2经典的ANN

7.1.3ANN训练和反向传播算法

7.2DBN概述

7.3受限玻尔兹曼机

7.4DNN训练算法

7.5DNN相关研究

7.5.1DNN应用

7.5.2利用并行实现加快DNN训练

7.5.3类似于DBN的深度网络

参考文献

第8章 皮质算法

8.1皮质算法入门

8.1.1皮质算法的结构

8.1.2皮质算法的训练

8.2权重更新

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

8.3.1基于熵的权重更新规则

8.3.2实验验证

参考文献

第9章 深度学习

9.1层级时序存储概述

9.2层级时序存储的演化

9.2.1稀疏分布表征

9.2.2算法实现

9.2.3空间池

9.2.4时间池

9.3相关工作

9.4脉冲神经网络概述

9.4.1Hodgkin-Huxley模型

9.4.2integrate-and-fire模型

9.4.3leaky integrate-and-fire模型

9.4.4Izhikevich模型

9.4.5Thorpe’s模型

9.4.6SNN的信息编码

9.4.7SNN的学习

9.4.8SNN的变体与扩展

9.5总结

参考文献

第10章 多目标优化

10.1形式定义

10.1.1帕累托优化

10.1.2支配关系

10.1.3性能度量

10.2机器学习：进化算法

10.2.1遗传算法

10.2.2遗传编程

10.3多目标优化：一种进化的方法

10.3.1加权和方法

10.3.2向量评估遗传算法

10.3.3多目标遗传算法

10.3.4小生境帕累托遗传算法

10.3.5非支配排序遗传算法

10.3.6强帕累托进化算法

10.3.7强帕累托进化算法Ⅱ

10.3.8帕累托档案进化策略

10.3.9基于帕累托包络的选择算法

10.3.10基于帕累托包络的选择算法Ⅱ

10.3.11带精英策略的非支配排序遗传算法

10.4示例：多目标优化

10.5目标函数

参考文献

第11章 机器学习实战示例

11.1可行的系统建模

11.2实例1：计算节点上的工作负载指纹

11.2.1相位测定

11.2.2指纹

11.2.3预测

11.3实例2：动态能量分配

11.3.1学习过程：特征选取

11.3.2学习过程：最优规划

11.3.3学习过程：监控

11.4模型训练：过程与评价

11.5实例3：入侵检测的系统方法

11.5.1建模策略

11.5.2入侵检测系统架构

11.6关于配置文件和系统的思考

11.7传感器数据测量

11.8总结

参考文献

索引