注册 登录 进入教材巡展 进入在线书城
#
  • #

出版时间:2018年11月

出版社:机械工业出版社

以下为《基于复杂网络的机器学习方法》的配套数字资源,这些资源在您购买图书后将免费附送给您:
  • 机械工业出版社
  • 9787111611493
  • 1版
  • 262574
  • 47229777-9
  • 平装
  • 16开
  • 2018年11月
  • 367
  • 262
  • 工学
  • 计算机科学与技术
  • TP181
  • 计算机通信类
  • 本科
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。
查看全部
内容简介
本书结合两个重要和流行的研究领域:复杂网络和机器学习,不仅包括基础背景知识,还包含近期*新的研究进展。书中包括大量插图和例题帮助读者理解主要思想和实现细节。
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:NetKit5.2.3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MNIST8.6.3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