機器學習及其應用2009（簡體書）

機器學習是人工智能的一個核心研究領域，也是近年來計算機科學中最活躍的研究分支之一。目前，機器學習技術不僅在計算機科學的眾多領域中大顯身手，還成為一些交叉學科的重要支撐技術。本書邀請相關領域的專家撰文，以綜述的形式介紹機器學習中一些領域的研究進展。全書共分10章，內容涉及正則化、Boosting、聚類分析、因果發現、維數削減、強化學習、遷移學習、流形學習、多示例多標記學習等。
本書可供計算機、自動化及相關專業的研究人員、教師、研究生和工程技術人員參考。

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
關系強化學習研究
　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　關系強化學習
3.1　關系強化學習及其抽象
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
因果挖掘的若干統計方法
　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　一致替代指標，嚴格一致替代指標
　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：確定因果網絡方向的主動學習方法
5.1　各種干預方法
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　外部干預下的預測問題
6.2　局部因果挖掘的方法
　7　討論
　參考文獻
基于學習的圖像超分辨率算法
　1 引言
　2　基于學習的超分辨率算法綜述
2.1　間接最大后驗算法
2.2　直接最大后驗算法
2.3　基于學習的超分辨率算法的優缺點
　3　基于學習的超分辨率算法的性能極限
3.1 什么是基于學習的超分辨率算法的極限
3.2　期望風險的下界
3.3　基于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　支持向量機
2.4　正則化最小二乘分類器
　……
Transfer Learning and Its Application for WiFi Localization Problems
關于boosting算法的margin解釋
最大間隔聚類快速算法研究
自適應K段主曲線
MIML：多示例多標記學習