機器學習算法及其應用（簡體書）

機器學習(ＭａｃｈｉｎｅＬｅａｒｎｉｎｇＭＬ)是一門多領域交叉學科，涉及概率論、統計學、逼近論凸分析和算法複雜度理論等多門學科。機器學習專門研究計算機怎樣類比或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能，它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。
網絡音樂現在已成為僅次於實時通信、搜尋引擎的第三大互聯網應用。隨著數字音樂內容的迅速增長以及人們對音樂鑒賞需求的增強，音樂信息的分類檢索受到了越來越多的關注，人工分類標注已經遠遠跟不上網絡資料的更新速度，無法滿足互聯網對海量音樂資料存儲、傳輸、欣賞、研究的新要求，越來越龐大的數字音樂資料庫需要智能化的分類管理和存儲，音樂分類系統受到了廣大線民和有關從業人員越來越廣泛的關注。面對網絡音樂資源的爆炸式增長，如何從海量數字音樂資源中準確、高效地為用戶推送其感興趣的高質量音樂內容，並為其構建滿足個人喜好的播放清單已成為國內外學術界關注的熱點問題。音樂分類系統和個性化音樂推薦系統已經逐漸成為理論研究和實際應用的一個新熱點。
將機器學習算法應用於網絡音樂自動分類，不僅可以節省大量的人力和物力，而且不會由於人的主觀因素造成分類不準確的情況，從而提高分類的準確率。將機器學習算法應用於音樂推薦，可以使使用者從海量的網絡音樂中快速找到自己感興趣的音樂，並且有著不錯的準確率和召回率。
本書主要可以分為兩大部分：第１部分( 第1～4章)為基礎部分，第2部分(第５～８章)為應用部分，各章主要內容如下：
第1章機器學習簡介。介紹了機器學習的概念、機器學習的發展及研究現狀；機器學習的分類，並從學習方式的維度將機器學習分為有監督學習、無監督學習、半監督學習和強化學習４類，介紹了各類的特點、適用問題以及學習過程；最後列舉了常用的機器學習算法。
第２章音樂、數字音樂與網絡音樂。介紹了音樂的藝術形式、產生、發展及音樂的要素，數字音樂的存儲與表示，網絡音樂的發展與特徵。
第３章網絡音樂的分類與推薦基礎。介紹了音樂信息檢索的幾大要素，音樂不同維度的分類方式，網絡音樂自動分類與推薦的研究現狀。
第４章機器學習中的分類與推薦算法。介紹了機器學習中的分類算法，主要包括樸素貝葉斯、決策樹、K-近鄰、支援向量機和人工神經網絡，具體介紹了每種算法的概念、原理及學習過程，介紹了機器學習中的推薦方法，包括基於內容的推薦、協同過濾推薦、基於瑪律可夫模型的推薦和混合推薦，具體介紹了每種推薦方法的原理及優缺點，以及推薦算法評價指標。
第５章基於支援向量機的音樂流派分類，提出了一種基於ＳＶＭ分類器的音樂流派自動分類方法。該方法在特徵選擇的過程中將過濾式特徵選擇(Relif F) 法和封裝式特徵選擇(ＳＦＳ) 算法兩種算法結合在一起，結合ＳＶＭ分類器進行音樂流派分類，可以獲得較高的分類準確率以及計算效率。
第６章基於K-近鄰的音樂流派自動分類，提出了一種DW-KNN算法進行音樂流派自動分類。該算法在傳統ＫＮＮ算法上進行了兩方面的改進，可以有效地解決傳統ＫＮＮ算法在分類過程中忽略屬性與類別的相關程度的問題，以及在類別判斷過程中只考慮近鄰樣本的個數而忽略了近鄰樣本與待分類樣本之間存在的相似性差異的問題。
第７章基於社交網絡與協同過濾的推薦算法，提出了一種將社交網絡與協同過濾相結合的音樂推薦算法，該算法將社交網絡中社交關係屬性融入了推薦系統中，彌補了傳統的協同過濾中沒有考慮社交屬性的缺陷，可以有效緩解無歷史行為資料使用者的冷開機問題。
第８章基於使用者實時興趣的推薦算法，提出了一種基於用戶實時興趣的歌曲推薦算法，該算法基於使用者的實時行為進行在線推薦，將一階瑪律可夫模型與協同過濾推薦思想相結合，構造歌曲間的轉移概率矩陣用於生成推薦，同時考慮了時間因素對推薦結果的影響。
最後，值此書稿完成之際謹向所有給予我幫助的朋友和家人表示衷心的感謝!感謝機械工業出版社為本書付出不懈努力的工作人員和相關人士，是你們的專業使得本書順利出版!感謝朋友們提供無私的支持和幫助，與你們的探討與交流總是不斷地給我啟發和激勵!感謝家人對我的支持、理解、包容和鼓勵，你們無私的愛給予我最大的支持和動力!最後特別感謝我的女兒暄暄，感謝你在媽媽整天埋頭寫書沒有太多時間陪伴你的情況下，仍然最愛媽媽。寶貝，媽媽也最愛你!
吳梅梅

前言
第１章 機器學習簡介１
　１.１ 機器學習的概念１
　１.２ 機器學習的發展２
　１.３ 機器學習的研究現狀３
１.３.１ 傳統機器學習的研究現狀４
１.３.２ 大資料環境下機器學習的研究現狀５
　１.４ 機器學習的分類５
１.４.１ 有監督學習６
１.４.２ 無監督學習７
１.４.３ 半監督學習８
１.４.４ 強化學習９
　１.５ 本章小結１１
第２章 音樂、數字音樂與網絡音樂１２
　２.１ 音樂的藝術形式１２
　２.２ 音樂的產生及發展１４
　２.３ 音樂的要素１５
　２.４ 音樂的存儲與表示１７
２.４.１ 數字音樂及其特點１７
２.４.２ 數字音樂檔的特點和格式１９
　２.５ 網絡音樂的發展２０
　２.６ 網絡音樂的特徵２２
　２.７ 本章小結 ２３
第３章 網絡音樂的分類與推薦基礎 ２４
　３.１ 基於內容的音樂信息檢索２４
３.１.１ 音高與旋律２５
３.１.２ 音樂節奏２６
３.１.３　音樂和聲 ２８
　３.２　音樂的分類 ２９
３.２.１　按表達方式分類 ３０
３.２.２　按旋律風格分類 ３１
３.２.３　從音樂的歷史角度分類 ３２
３.２.４　按音樂流派分類 ３６
　３.３　網絡音樂的自動分類 ４０
　３.４　網絡音樂推薦算法綜述 ４２
　３.５　本章小結 ４４
第４章　機器學習中的分類與推薦算法 ４５
　４.１　樸素貝葉斯 ４５
　４.２　決策樹 ４７
　４.３　ｋ￣近鄰 ５０
　４.４　支持向量機 ５１
　４.５　人工神經網絡 ５３
　４.６　基於內容的推薦 ５７
　４.７　協同過濾推薦 ６０
　４.８　基於瑪律可夫模型的推薦 ６２
　４.９　混合推薦６４
　４.１０　推薦算法評價 ６４
　４.１１　本章小結 ６６
第５章　基於支援向量機的音樂流派分類 ６7
　５.１　音樂的數字描述 ６８
　５.２　特徵提取 ７０
５.２.１　數據預處理 ７１
５.２.２　聲學特徵量 ７２
　５.３　特徵選擇７７
５.３.１　ＲｅｌｉｅｆＦ７８
５.３.２　順序前進法７９
５.３.３　ＲｅｌｉｅｆＦ與ＳＦＳ相結合的特徵選擇算法80
　５.４　ＳＶＭ分類器８１
５.４.１　線性可分支援向量機８２
５.４.２　線性支援向量機８３
５.４.３　非線性支援向量機８５
５.４.４　數值求解８７
５.４.５　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分類實現８８
　５.５　實驗結果與分析８８
５.５.１　實驗工具８８
５.５.２　資料集８９
５.５.３　評價標準及驗證方法８９
５.５.４　實驗方法８９
５.５.５　實驗結果及分析９０
　５.６　可擴展性分析９４
　５.７　本章小結９５
第６章　基於ｋ-近鄰的音樂流派自動推薦分類９６
　６.１　ｋ-近鄰算法的理論基礎９６
６.１.１　ｋ-近鄰算法９６
６.１.２　ｋ-近鄰算法模型９７
　６.２　算法的實現步驟及複雜度分析９９
　６.３　ＤＷ-ＫＮＮ算法９９
６.３.１　ＫＮＮ算法的改進１００
６.３.２　二次加權ＫＮＮ (ＤＷ-ＫＮＮ)分類算法１０２
　６.４　實驗結果與分析１０３
６.４.１　實驗方法１０３
６.４.２　實驗結果及分析１０４
　６.５　可擴展性分析１０７
　６.６　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ與ＤＷ-ＫＮＮ的對比１０8
　６.７　本章小結１０８
第７章　基於社交網絡與協同過濾的音樂推薦１１０
　７.１　協同過濾推薦算法１１０
７.１.１　基於使用者的協同過濾推薦算法１１１
７.１.２　基於項目的協同過濾推薦算法１１１
７.１.３　基於用戶與基於項目的協同過濾推薦算法比較１１２
７.１.４　協同過濾中存在的問題１１３
　７.２　ＳｉｍＲａｎｋ算法１１３
７.２.１　ＳｉｍＲａｎｋ算法思想１１４
７.２.２　ＳｉｍＲａｎｋ算法流程１１５
７.３　社交網絡的形成機制與表示方法１１６
７.４　構建使用者的信任集合進行推薦１１６
７.５　實驗結果及分析１１８
７.５.１　資料獲取和資料集１１８
７.５.２　評價指標１１９
７.５.３　實驗結果分析１２０
７.６　本章小結１２１
第８章　基於使用者實時興趣的音樂推薦９６
　８.１　相關研究１２２
　８.２　瑪律可夫模型理論基礎１２３
　８.３　基於用戶實時行為的改進一階瑪律可夫音樂推薦模型１２４
８.３.１　問題描述１２４
８.３.２　指數衰減１２５
８．３．３　指數衰減的瑪律可夫模型１２５
８.３.４　協同過濾的一階瑪律可夫推薦１２６
　８.４　實驗結果與分析１２９
　８.５　可擴展性分析１３１
　８.６　本章小結１３１
附錄１３２
　附錄Ａ　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分類參考代碼１３２
　附錄Ｂ　ＤＷ-ＫＮＮ算法參考代碼１３４
　附錄Ｃ　各分類算法的比較參考代碼１４０
參考文獻 １４５