數據分析的結構化表徵學習 張正 徐勇 盧光明 9787115584014 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$948
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202211*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：數據分析的結構化表徵學習 ISBN：9787115584014 出版社：人民郵電 著編譯者：張正 徐勇 盧光明 叢書名：電子信息前沿專著系列 頁數：238 所在地：中國大陸 *此為代購商品 書號：1603639 可大量預訂，請先連絡。 內容簡介 結構化表徵學習是機器學習研究的核心問題之一，旨在探索如何從高維可觀測數據中獲取有效的結構化信息表示，以實現高精度、魯棒、快速的數據分析，是由數據到知識的關鍵渠道。本書重點介紹如何從具有不確定性的海量大媒體數據中挖掘和提取結構化、魯棒、高效的特徵，並實現高性能的信息挖掘和知識推斷。本書內容包含近年來湧現的一些高效、魯棒的結構化表徵學習模型，介紹了基於魯棒且緊湊的表徵學習的一體化表徵學習理論和方法，併為應對真實世界中的數據分析任務，如數據簡約特徵表達、緊湊特徵壓縮、有效特徵篩選以及隱含知識挖掘等，提供了較為全面且切實可靠的解決方案。 本書作者所在的團隊多年來一直從事機器學習、計算機視覺、多媒體分析的研究，承擔過眾多國家級和省部級科研項目，具備從理論研究到工程應用的相關基礎。本書是對作者近五年研究成果的總結和梳理，書中介紹的理論和方法能夠很好地和實際應用結合在一起，行文流暢易讀，適合具有一定專業基礎的高年級本科生、研究生，以及相關領域的科研工作者和工程師閱讀。作者簡介 張正，哈爾濱工業大學（深圳）副教授、博士生導師，深圳市視覺目標檢測與判識重點實驗室副主任，IEEE會員，深圳市海外高層次人才。研究方向為機器學習、計算機視覺和多媒體分析，已發表學術論文100多篇。博士論文入選中國電子學會優秀博士學位論文。擔任多個期刊編委和會議領域主席及高級程序委員會委員。目錄 第1章 緒論1 1 表徵學習的概念 1 2 結構化表徵學習基礎 1 2 1 結構化表徵學習的基礎理論和方法 1 2 2 結構化表徵學習的應用 參考文獻 第2章 塊對角低秩表徵學習 2 1 低秩表徵學習方法 2 2 塊對角低秩表徵學習的方法設計 2 3 塊對角低秩表徵學習的優化演算法 2 4 識別演算法的設計 2 5 塊對角低秩表徵學習的演算法分析 2 5 1 收斂性分析 2 5 2 計算時間複雜度 2 5 3 新樣本預測檢驗 2 6 與現有低秩表徵學習方法的關係 2 6 1 與非負低秩表徵稀疏方法的關係 2 6 2 與結構化稀疏低秩表徵方法的關係 2 6 3 與監督正則化魯棒子空間方法的關係 2 7 實驗驗證 2 7 1 實驗設置 2 7 2 在人臉識別任務中的實驗結果 2 7 3 在字元識別任務中的實驗結果 2 7 4 在場景識別任務中的實驗結果 2 7 5 優勢分析 2 7 6 演算法收斂性實驗驗證 2 7 7 演算法參數敏感性經驗分析 2 8 本章小結 參考文獻 第3章 判別性彈性網正則化回歸表徵學習 3 1 最小二乘回歸方法 3 2 基於彈性網正則化的回歸表徵學習模型 3 2 1 一種普適的彈性網正則化回歸表徵學習框架 3 2 2 判別性彈性網正則化回歸表徵學習模型 3 2 3 判別性彈性網正則化回歸表徵學習的快速模型 3 3 模型優化求解和演算法分類模型 3 3 1 模型的優化求解 3 3 2 判別性回歸表徵空間的構造和演算法分類模型 3 4 演算法分析 3 4 1 與經典回歸模型的關係 3 4 2 時間複雜度和收斂性分析 3 5 實驗驗證 3 5 1 對比方法與實驗設置 3 5 2 在人臉識別任務中的實驗結果 3 5 3 在物體識別任務中的實驗結果 3 5 4 在場景識別任務中的實驗結果 3 5 5 與傳統的回歸表徵學習模型進行對比分析 3 5 6 優化演算法的收斂條件和參數敏感性經驗分析 3 5 7 演算法效率分析 3 6 本章小結 參考文獻 第4章 邊緣結構化表徵學習 4 1 判別性最小二乘回歸方法 4 2 邊緣結構化表徵學習模型 4 2 1 損失函數 4 2 2 演算法複雜度正則項 4 2 3 自適應流形結構學習 4 3 邊緣結構化表徵學習演算法的優化策略 4 3 1 求解優化變數W、A和B 4 3 2 求解優化變數R 4 3 3 求解優化變數P 4 4 半監督學習模型的擴展 4 5 邊緣結構化表徵學習的演算法分析 4 5 1 優化演算法收斂性的理論分析 4 5 2 計算複雜度 4 6 實驗驗證 4 6 1 實驗設置 4 6 2 在物體識別任務中的實驗結果 4 6 3 在人臉識別任務中的實驗結果 4 6 4 在紋理識別任務中的實驗結果 4 6 5 在場景識別任務中的實驗結果 4 6 6 識別性能對比分析 4 6 7 演算法參數敏感性經驗分析 4 6 8 演算法收斂性實驗驗證 4 6 9 效率對比分析 4 7 本章小結 參考文獻 第5章 基於聯合學習的二值多視圖表徵學習 5 1 二值多視圖表徵學習框架 5 1 1 二值多視圖聚類模型 5 1 2 高效的可擴展多視圖圖像聚類分析模型 5 2 高效的可擴展多視圖圖像聚類演算法 5 3 高效的可擴展多視圖圖像聚類演算法分析 5 3 1 收斂性分析 5 3 2 複雜度分析 5 4 實驗驗證 5 4 1 數據集和評估標準 5 4 2 中等規模多視圖數據實驗驗證 5 4 3 大規模多視圖數據實驗驗證 5 4 4 經驗性分析 5 4 5 可視化分析 5 5 本章小結 參考文獻 第6章 基於靈活局部結構擴散的廣義不完整多視圖聚類 6 1 多視圖聚類方法 6 1 1 部分多視圖聚類 6 1 2 多個不完整視圖聚類 6 2 基於靈活局部結構擴散的廣義不完整多視圖聚類模型 6 2 1 單視圖個體表徵學習 6 2 2 多視圖一致性表徵學習 6 2 3 自適應加權多視圖學習 6 2 4 GIMC_FLSD的總體目標函數 6 3 GIMC_FLSD的優化演算法 6 4 GIMC_FLSD的理論分析 6 4 1 計算複雜度 6 4 2 收斂性分析 6 4 3 與其他方法的聯繫 6 5 實驗驗證 6 5 1 實驗配置 6 5 2 實驗結果和分析 6 5 3 時間複雜度分析 6 5 4 參數靈敏度分析 6 5 5 收斂性分析 6 6 本章小結 參考文獻 第7章 可擴展的監督非對稱哈希學習 7 1 哈希學習方法 7 2 可擴展的監督非對稱哈希學習模型 7 2 1 問題定義 7 2 2 方法解析 7 3 可擴展的監督非對稱哈希表徵學習的優化演算法 7 3 1 交替優化方法 7 3 2 收斂性分析 7 3 3 演算法的樣本外擴展問題 7 4 實驗驗證 7 4 1 實驗數據 7 4 2 實驗設置 7 4 3 在CIFAR-10圖像檢索數據集上的實驗結果 7 4 4 在Caltech-256目標檢索數據集上的實驗結果 7 4 5 在SUN-397場景檢索數據集上的實驗結果 7 4 6 在ImageNet大規模數據集上的 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
