基于跨领域的迁移学习算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-15页 |
| ·课题的研究目的与意义 | 第11页 |
| ·迁移学习的历史与发展 | 第11-13页 |
| ·本文的主要工作及创新点 | 第13页 |
| ·本文的组织结构 | 第13-15页 |
| 第2章 机器学习基本算法 | 第15-25页 |
| ·决策树算法 | 第15-16页 |
| ·神经网络学习 | 第16-18页 |
| ·感知器 | 第16-17页 |
| ·反向传播算法 | 第17-18页 |
| ·贝叶斯学习 | 第18-19页 |
| ·K-近邻 | 第19-20页 |
| ·支持向量机 | 第20-24页 |
| ·经验风险最小化原则(ERM) | 第20-21页 |
| ·最优分类超平面 | 第21-22页 |
| ·构造支持向量机 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 迁移学习的分类及方法 | 第25-33页 |
| ·迁移学习的分类 | 第25-26页 |
| ·迁移学习的方法 | 第26-27页 |
| ·迁移学习的研究现状及典型算法 | 第27-32页 |
| ·归纳迁移学习 | 第27-29页 |
| ·直推式迁移学习 | 第29-31页 |
| ·无监督迁移学习 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第4章 基于 KMM 匹配的参数迁移学习算法 | 第33-41页 |
| ·参数迁移算法 | 第33-34页 |
| ·KMM 算法 | 第34-35页 |
| ·基于 KMM 的参数迁移算法 | 第35-38页 |
| ·参数迁移回归 | 第35-36页 |
| ·本章算法描述 | 第36-37页 |
| ·风险估计 | 第37-38页 |
| ·实验及仿真结果 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第5章 一种基于 KDA 的半监督学习迁移算法 | 第41-51页 |
| ·KDA 算法 | 第42-43页 |
| ·改进的半监督学习迁移算法 | 第43-47页 |
| ·半监督学习 | 第43-44页 |
| ·Co-training 算法 | 第44-46页 |
| ·改进的 Co-training 方法 | 第46-47页 |
| ·本章算法描述 | 第47-48页 |
| ·实验及仿真结果 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 附录 A 攻读学位期间所发表的学术论文 | 第60页 |
