新书推荐 |《基于复杂网络的机器学习方法》

新书推荐

《基于复杂网络的机器学习方法》

长按二维码
了解及购买

本书将机器学习和复杂网络这两个热点研究领域结合起来，不仅包括必备的基础知识，还涵盖新近的研究成果。

编辑推荐

本书将机器学习和复杂网络这两个热点研究领域结合起来，不仅包括必备的基础知识，还涵盖新近的研究成果，并且对监督学习、无监督学习和半监督学习方法的案例进行了详细分析，适合计算机科学和工程方向的研究人员和学生阅读。

本书特色：

针对无监督和半监督学习，研究了使用随机非线性动力系统的粒子竞争技术，并提出了模型的解析方法，使研究人员能够快速利用该技术进行预测分析。

针对半监督学习中的数据噪声和可靠性问题，采用广泛使用的真实数据集和人工合成数据集，通过竞争机制消除训练数据集的缺陷，填补了这项重要的实践在理论研究方面的空白。

针对网络环境下的机器学习技术，提出了一种结合低阶和高阶学习的混合监督分类技术，低阶项可通过传统的分类技术实现，而高阶项可通过从输入数据构建的网络提取拓扑特征来实现，证明了高阶项能够根据数据语义实现分类。

内容简介

本书将机器学习和复杂网络这两个重要的研究方向结合起来，不仅包括必备的基础知识，还涵盖新近的研究成果。书中首先介绍机器学习和复杂网络的基本概念，然后描述基于网络的机器学习技术，最后对监督学习、无监督学习和半监督学习方法的案例进行详细分析。

本书通过大量例子和图示来帮助读者理解各类方法的主要思路和实现细节，并列出了可供深入研究的参考文献，适合该领域的研究人员、技术人员和学生阅读参考。

作者简介

迪亚戈•克里斯蒂亚诺•席尔瓦（Thiago Christiano Silva） 巴西中央银行研究员，博士毕业于巴西圣保罗大学，目前的研究领域包括机器学习、复杂网络、金融稳定性、系统风险和银行业务等。

赵亮（Liang Zhao） 巴西圣保罗大学教授，计算机科学与数学系主任，博士毕业于巴西航空技术学院，目前的研究兴趣包括机器学习、复杂网络、人工神经网络和模式识别。

目录

译者序

前言

作者简介

符号列表

第1章概述

1.1背景

1.2本书主要内容

1.3本书结构

参考文献

第2章复杂网络

2.1图论简介

2.1.1图的定义

2.1.2图的连通性

2.1.3路径和环路

2.1.4子图

2.1.5树和森林

2.1.6图的矩阵表示

2.2网络演化模型

2.2.1随机网络

2.2.2小世界网络

2.2.3无标度网络

2.2.4随机聚类网络

2.2.5核心边缘网络

2.3复杂网络的统计描述

2.3.1度和度相关性

2.3.2距离和路径

2.3.3网络结构

2.3.4网络中心性

2.3.5复杂网络度量方法的分类

2.4复杂网络上的动力学过程

2.4.1随机游走

2.4.2惰性随机游走

2.4.3自避行走

2.4.4游客漫步

2.4.5流行病传播

2.5本章小结

参考文献

第3章机器学习

3.1引言

3.2监督学习

3.2.1数学表达式和基本假设

3.2.2主要算法

3.3无监督学习

3.3.1数学表达式和基本假设

3.3.2主要算法

3.4半监督学习

3.4.1研究目的

3.4.2数学表达式和基本假设

3.4.3主要算法

3.5基于网络的机器学习方法概述

3.6本章小结

参考文献

第4章网络构建技术

4.1引言

4.2相似性与相异性

4.2.1定义

4.2.2基于向量形式的相似性函数实例

4.3向量数据的网络转化

4.3.1k近邻和半径网络

4.3.2k近邻和半径组合的网络构建技术

4.3.3b匹配网络

4.3.4线性邻域网络

4.3.5松弛线性邻域网络

4.3.6聚类启发式网络

4.3.7重叠直方图网络

4.3.8其他网络构建技术

4.4时间序列数据的网络转化

4.4.1周期网络

4.4.2相关网络

4.4.3循环网络

4.4.4转移网络

4.5网络构建方法分类

4.6非结构化数据网络转化的难点

4.7本章小结

参考文献

第5章基于网络的监督学习

5.1引言

5.2典型的基于网络的监督学习技术

5.2.1基于k关联图的分类算法

5.2.2网络学习工具：NetKit

5.2.3易访问启发式的分类算法

5.3本章小结

参考文献

第6章基于网络的无监督学习

6.1引言

6.2社团检测算法

6.2.1相关概念

6.2.2数学表达式和基本假设

6.2.3前沿技术综述

6.2.4社团检测基准

6.3典型的基于网络的无监督学习技术

6.3.1介数

6.3.2模块度最大化

6.3.3谱平分法

6.3.4基于粒子竞争模型的社团检测

6.3.5变色龙算法

6.3.6基于空间变换和群体动力学的社团检测

6.3.7同步方法

6.3.8重叠社团挖掘

6.3.9网络嵌入与降维

6.4本章小结

参考文献

第7章基于网络的半监督学习

7.1引言

7.2数学假设

7.3典型的基于网络的半监督学习技术

7.3.1最大流和最小割

7.3.2高斯随机场和调和函数

7.3.3Tikhonov正则化框架

7.3.4局部和全局一致性算法

7.3.5附着法

7.3.6模块化方法

7.3.7相互作用力

7.3.8判别式游走 

7.4本章小结

参考文献

第8章基于网络的监督学习专题研究：高级数据分类

8.1引言

8.2问题提出

8.3高级分类模型

8.3.1高级分类模型的总体思路

8.3.2混合分类框架的构建

8.4高级分类器的构建方法

8.4.1传统的基于网络度量方法的高级分类器构建

8.4.2基于随机游走的高级分类器构建

8.5高级分类器的数值分析

8.5.1高级分类器应用样本

8.5.2参数敏感性分析

8.6应用：手写数字识别

8.6.1相关研究

8.6.2手写数字数据集MNIST

8.6.3图像相似性计算算法

8.6.4混合分类框架中的低级分类技术

8.6.5混合分类器的性能

8.6.6手写数字识别样本87本章小结

参考文献

第9章基于网络的无监督学习专题研究：随机竞争学习

9.1引言

9.2随机竞争学习算法模型

9.2.1模型原理

9.2.2转移矩阵的推导

9.2.3随机非线性动力系统的定义

9.2.4计算社团数目的方法

9.2.5重叠结构的检测方法

9.2.6参数敏感性分析

9.2.7收敛分析

9.3模型的理论分析

9.3.1数学分析

9.3.2粒子竞争模型与传统的多粒子随机游走

9.3.3样本分析

9.4重叠节点及社团检测的数值分析

9.4.1扎卡里空手道俱乐部网络

9.4.2海豚社交网络

9.4.3《悲惨世界》人物关系网络

9.5应用：手写数字识别和字母聚类

9.5.1数据集情况

9.5.2最优粒子数和集簇数

9.5.3手写数字或字母聚类

9.6本章小结

参考文献

第10章基于网络的半监督学习专题研究：随机竞争合作学习

10.1引言

10.2随机竞争合作模型

10.2.1半监督学习与无监督学习的差异

10.2.2半监督学习环境

10.2.3竞争转移矩阵的修正

10.2.4系统初始条件的修正

10.3模型的理论分析

10.3.1数学分析

10.3.2样本分析

10.4模型的数值分析

10.4.1人工合成数据集上的模拟

10.4.2真实数据集上的模拟

10.5应用：错误标记数据集上的错误标签传播检测和预防

10.5.1问题提出

10.5.2错误标记训练集的检测

10.5.3错误标签传播的预防

10.5.4竞争合作模型学习系统的修正

10.5.5参数敏感性分析

10.5.6计算机模拟

10.6本章小结

参考文献

你与世界

只差一个

公众号