新書推薦：
《
治盗之道：清代盗律的古今之辨
》
售價：NT$
556.0
《
甲骨文丛书·剑桥世界暴力史（第一卷）：史前和古代世界（套装全2册）
》
售價：NT$
959.0
《
甲骨文丛书·中华早期帝国：秦汉史的重估
》
售價：NT$
1367.0
《
欲望与家庭小说
》
售價：NT$
449.0
《
惜华年（全两册）
》
售價：NT$
320.0
《
甲骨文丛书·古代中国的军事文化
》
售價：NT$
454.0
《
中国王朝内争实录（套装全4册）：从未见过的王朝内争编著史
》
售價：NT$
1112.0
《
半导体纳米器件：物理、技术和应用
》
售價：NT$
806.0
|
| 內容簡介： |
近年来，演化计算作为计算智能中传统的优化技术，已经广泛应用于求解各种数据挖掘问题，形成了一种基于遗传的机器学习新范式学习分类器。一方面，在真实场景中采集的原始数据不可避免地包含着冗余乃至噪声属性的信息，这些不相关的特征将对学习分类器算法的学习性能与计算效率造成负面影响。另一方面，学习分类器以显式规则表示目标概念，在监督学习或强化学习机制的基础上，利用演化算法对规则空间进行搜索，从而完成学习任务。规则空间的有效搜索是影响学习分类器性能的关键。针对上述问题，本书的主要探讨内容：一是学习分类器与特征选择方法，重点是做两者的整合研究，将学习分类器的分类模型构建过程与特征选择的特征子集搜索过程统一集成在基于遗传的机器学习框架下，同时改善分类算法的预测性能与运行效率；二是从提高规则空间的搜索质量出发，着眼于分类问题，介绍了基于分布估计算法的学习分类器。
本书可作为大数据及人工智能等相关专业的教材与参考用书。
|
| 關於作者： |
|
徐华，清华大学计算机系副教授，博士生导师。主要研究兴趣领域包括：网络文本数据挖掘、智能信息处理和机器人智能控制等。作为项目负责人、首席技术专家或研发骨干，负责完成国家科技重大专项课题3项，国家自然科学基金项目4项，国家973项目二级课题2项，国家863项目（课题）5项，国际500强企业（宝洁、西门子、安捷伦等）合作项目13项。目前已在本专业领域权威期刊和会议上发表学术论文113篇；编写教材2本，参与编写学术专著2部。作为完成人获得国家发明专利26项，国际PCT发明专利4项，软件著作权20项。作为清华方面的完成人，获得国家科技进步二等奖1项，北京市科学技术一等奖、二等奖和三等奖各1项，重庆市科学技术三等奖1项，行业协会科学技术一等奖2项等。
|
| 目錄：
|
上篇演化机器学习——内嵌特征选择的学习分类器
第1章上篇引言3
1.1研究背景3
1.2上篇主要内容6
1.3上篇的结构安排7
第2章相关工作综述8
2.1概述8
2.2学习分类器研究9
2.2.1进化计算9
2.2.2基于遗传的机器学习思想10
2.2.3Michigan式学习分类器研究进展12
2.2.4Pittsburgh式学习分类器研究进展13
2.3特征选择方法综述15
2.3.1机器学习中的特征选择问题描述16
2.3.2特征选择的搜索模型17
2.3.3Filter方法19
2.3.4Wrapper方法20
2.3.5Embedded方法21
2.4小结21
第3章基于Memetic算法的WrapperFilter特征选择方法23
3.1概述23
3.2Memetic算法24
3.2.1Memetic算法思想起源24
3.2.2Memetic算法框架25
3.3基于MA的混合式WrapperFilter
特征选择方法28
3.3.1算法设计思想28
3.3.2算法整体框架29
3.3.3全局搜索的GAWrapper30
3.3.4局部搜索的ReliefFilter32
3.3.5计算复杂度分析34
3.4小结35
目录
目录
第4章基于合作式协同进化内嵌特征选择的学习分类器36
4.1概述36
4.2协同进化算法37
4.2.1协同进化思想起源37
4.2.2竞争式协同进化算法模型38
4.2.3合作式协同进化算法模型39
4.3基于合作式协同进化的学习分类器41
4.3.1算法设计思想41
4.3.2算法框架42
4.3.3分类器演化的Pittsburgh式学习分类器算法44
4.3.4计算复杂度分析45
4.4小结46
第5章算法评估结果与分析47
5.1概述47
5.2算法比较实验框架48
5.2.1Benchmark数据集48
5.2.2性能评估指标48
5.2.3实验方法50
5.3MFS算法实验结果及分析50
5.3.1算法参数设置50
5.3.2实验结果与讨论51
5.4CoCoLCS_MFS算法实验结果及分析53
5.4.1算法参数设置53
5.4.2实验结果与讨论53
5.4.3显著性检验55
5.5特征选择对学习分类器的影响分析55
5.5.1预测准确率55
5.5.2运行时间56
5.5.3特征约简率57
5.5.4显著性检验58
5.6小结59
第6章关于演化搜索的一项扩展性工作——基于
混合式GVNS算法的多处理器
任务调度研究60
6.1概述60
6.2多处理器任务调度61
6.2.1研究背景61
6.2.2多处理器任务调度问题模型62
6.2.3调度算法研究进展64
6.3基于启发式策略的混合式GVNS调度算法的总体设计67
6.3.1混合式设计的算法思想67
6.3.2算法整体框架67
6.4任务优先级定序的启发式策略69
6.5全局搜索的遗传算法设计70
6.5.1种群个体的基因编码70
6.5.2种群初始化与个体适应度评估70
6.5.3遗传操作设计71
6.6局部搜索的变邻域搜索算法设计72
6.6.1算法流程73
6.6.2邻域结构设计74
6.6.3局部搜索75
6.7算法实验结果评估与分析75
6.7.1性能评估指标与参数设置76
6.7.2确定图上的结果76
6.7.3随机图上的结果80
6.7.4显著性检验80
6.7.5局部搜索有效性分析82
6.8小结83
第7章上篇总结84
7.1上篇的主要工作总结84
7.2未来研究工作展望85
下篇演化机器学习
——分布估计的学习分类器
第8章下篇引言89
8.1研究背景89
8.2研究动机91
8.3下篇的主要工作92
8.4下篇的结构安排94
第9章分布估计算法和学习分类器96
9.1概述96
9.2进化计算简介96
9.3遗传算法97
9.4分布估计算法99
9.4.1分布估计算法的基本流程100
9.4.2分布估计算法分类100
9.5学习分类器101
9.5.1Michigan式学习分类器102
9.5.2Pittsburgh式学习分类器103
第10章基于L1正则化贝叶斯网络的分布估计算法106
10.1概述106
10.2L1正则化贝叶斯网络107
10.2.1贝叶斯网络与L1正则化108
10.2.2候选链接关系建立110
10.2.3剪支搜索111
10.3L1正则化贝叶斯网络与分布估计算法整合113
10.4实验设置114
10.4.1测试函数114
10.4.2参数配置116
10.5优化性能比较117
10.5.1组实验117
10.5.2第二组实验118
10.6模型比较125
10.6.1测试函数的理想模型125
10.6.2模型复杂度比较126
10.6.3模型准确度比较127
10.7本章小结129
第11章基于分布估计算法的分类器进化算法131
11.1概述131
11.2算法框架介绍132
11.3分类器的知识表示133
11.4规则进化135
11.4.1规则评价135
11.4.2规则重组135
11.5规则集进化137
11.5.1规则集评价137
11.5.2规则集重组138
11.6规则与规则集进化整合139
11.7实验设置139
11.7.1测试数据141
11.7.2比较对象143
11.7.3评价指标144
11.7.4参数设置145
11.8实验结果146
11.8.1构造问题146
11.8.2实际问题152
11.8.3参数敏感度分析157
11.9本章小结158
第12章面向学习分类器的嵌入式特征选择算法159
12.1概述159
12.2本章相关工作160
12.3算法框架介绍161
12.4嵌入式特征选择算法162
12.4.1特征冗余度计算162
12.4.2特征关联度计算163
12.5特征选择与学习分类器整合165
12.6实验设置167
12.6.1测试数据167
12.6.2比较对象168
12.6.3评价指标169
12.6.4参数设置170
12.7实验结果170
12.7.1构造问题170
12.7.2实际问题172
12.7.3参数敏感度分析180
12.8本章小结181
第13章基于进化纠错输出编码的多类分类算法182
13.1概述182
13.2纠错输出编码方法简介183
13.3编码矩阵设计184
13.3.1编码矩阵评价184
13.3.2优化方法187
13.4解码策略188
13.5实验设置189
13.5.1测试数据189
13.5.2比较对象189
13.5.3评价指标与参数设置190
13.6实验结果190
13.6.1分类准确率190
13.6.2训练开销193
13.6.3结果复杂度与特征约简率195
13.6.4纠错输出编码性能197
13.7本章小结198
第14章下篇总结与展望200
14.1下篇总结200
14.2后续工作展望201
参考文献203
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
