| 第一章 机器学习 | 第1-16页 |
| ·机器学习系统的基本结构 | 第8-10页 |
| ·机器学习的主要策略 | 第10-14页 |
| ·机械式学习 | 第10页 |
| ·指导式学习 | 第10-11页 |
| ·归纳学习(Inductive Learning) | 第11页 |
| ·类比学习(Learning by Analogy) | 第11页 |
| ·基于解释的学习(Explamation2Based Learning，EBL) | 第11-12页 |
| ·基于神经网络的学习 | 第12页 |
| ·支持向量机(Support Vector Machine，SVM) | 第12-13页 |
| ·基于遗传算法的学习 | 第13页 |
| ·强化学习 | 第13-14页 |
| ·多Agent 学习 | 第14页 |
| ·机器学习的研究热点 | 第14-15页 |
| ·机器学习的发展与展望 | 第15-16页 |
| 第二章 统计学习理论和支持向量机 | 第16-27页 |
| ·概述 | 第16页 |
| ·机器学习的基本问题 | 第16-19页 |
| ·问题的表示 | 第16-17页 |
| ·经验风险最小化 | 第17-18页 |
| ·复杂性与推广能力 | 第18页 |
| ·小样本统计学理论 | 第18-19页 |
| ·统计学习理论的核心内容 | 第19-20页 |
| ·VC 维 | 第19页 |
| ·推广性的界 | 第19-20页 |
| ·结构风险最小化 | 第20页 |
| ·支持向量机 | 第20-25页 |
| ·广义最优分类面 | 第21-22页 |
| ·核技巧 | 第22-24页 |
| ·支持向量机 | 第24-25页 |
| ·关于统计学习理论的小结 | 第25-27页 |
| 第三章 基于支持向量机的机器学习研究 | 第27-41页 |
| ·支持向量机的训练算法 | 第27-28页 |
| ·非完美分类的支持向量机 | 第28-30页 |
| ·SMO 算法 | 第30-38页 |
| ·优化两个αi | 第30-34页 |
| ·完成一次优化后进行的更新操作 | 第34-35页 |
| ·寻找要优化的两个aｉ | 第35-36页 |
| ·SMO 算法的伪码表示 | 第36-38页 |
| ·多类SVM 分类器 | 第38-41页 |
| ·多类分类支持向量机 | 第38-39页 |
| ·基于二分类器的多类分类器 | 第39-41页 |
| 第四章 机器学习系统设计与实现 | 第41-49页 |
| ·开发环境与开发工具 | 第41-43页 |
| ·Linux 简介 | 第41页 |
| ·Debian Linux 简介 | 第41-42页 |
| ·GNOME 简介 | 第42页 |
| ·gcc 简介 | 第42-43页 |
| ·MySQL 简介 | 第43页 |
| ·系统设计与实现 | 第43-49页 |
| ·管道技术 | 第44页 |
| ·模块输入输出设计 | 第44-45页 |
| ·各模块输入输出内容 | 第45页 |
| ·跨平台设计 | 第45页 |
| ·各模块的标准实现 | 第45-46页 |
| ·标准模块在Linux+GNOME 下进行的集成及系统前端 | 第46-49页 |
| 第五章 基于支持向量机的人脸检测 | 第49-52页 |
| ·人脸检测所用的数据库 | 第49页 |
| ·离散余弦变换 | 第49-50页 |
| ·非人脸图像的选取 | 第50页 |
| ·输入处理模块的非标准实现 | 第50页 |
| ·在人脸检测应用中对系统的定制 | 第50-51页 |
| ·应用结果 | 第51-52页 |
| 结论 | 第52-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士学位期间发表的学术论文 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 大 庆 石 油 学 院 硕士学位论文摘要 | 第57-64页 |
