科技 类型
可以朗读 语音朗读
171千字 字数
2018-11-01 发行日期
展开全部

主编推荐语

利用复杂网络的结构和动力学特性，可以为机器学习中的特征选择以及样本标注提供新方法。

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

  • 版权信息
  • 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
  • 4.3.1 k-近邻和-半径网络
  • 4.3.2 k-近邻和-半径组合的网络构建技术
  • 4.3.3 b-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
  • 7.3.3 Tikhonov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
展开全部

评分及书评

评分不足
2个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。