基于构造性学习的覆盖算法的发展及应用
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-14页 |
| 第一章 机器学习概述 | 第14-24页 |
| ·机器学习及其发展 | 第14-16页 |
| ·学习和机器学习 | 第14-15页 |
| ·机器学习的发展 | 第15-16页 |
| ·机器学习的分类 | 第16页 |
| ·机器学习中的主要框架 | 第16-19页 |
| ·监督学习 | 第16-17页 |
| ·无监督学习 | 第17页 |
| ·强化学习 | 第17-18页 |
| ·多示例学习 | 第18-19页 |
| ·半监督学习 | 第19页 |
| ·机器学习中的主要方法 | 第19-22页 |
| ·本文内容的组织安排 | 第22-24页 |
| 第二章 覆盖算法及其应用 | 第24-42页 |
| ·覆盖算法的基本思想 | 第24-26页 |
| ·基本覆盖算法 | 第26-30页 |
| ·领域覆盖算法 | 第26-28页 |
| ·交叉覆盖算法 | 第28-30页 |
| ·两种基本模型的对比 | 第30页 |
| ·覆盖算法的改进 | 第30-31页 |
| ·覆盖算法的应用 | 第31-41页 |
| ·中文文本分类 | 第32-36页 |
| ·垃圾邮件过滤 | 第36-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 模糊核覆盖算法 | 第42-61页 |
| ·模糊分类 | 第42-45页 |
| ·模糊分类的基本概念 | 第42-43页 |
| ·模糊分类算法的研究现状 | 第43-45页 |
| ·模糊核覆盖分类器 | 第45-51页 |
| ·核覆盖算法 | 第45-46页 |
| ·对核覆盖算法的分析 | 第46-48页 |
| ·覆盖半径的选取 | 第48页 |
| ·模糊核覆盖分类器 | 第48-50页 |
| ·对隶属度函数的分析 | 第50-51页 |
| ·领域约简 | 第51-54页 |
| ·基于孤立点的领域约简 | 第51-52页 |
| ·基于规则的领域约简 | 第52-54页 |
| ·实验及分析 | 第54-57页 |
| ·对Pen-Based数据集的测试 | 第54-55页 |
| ·对其它数据集的测试结果 | 第55-57页 |
| ·模糊核覆盖方法的应用 | 第57-60页 |
| ·垃圾邮件过滤 | 第58-59页 |
| ·车牌识别 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第四章 多标记覆盖算法 | 第61-80页 |
| ·多标记学习的研究现状 | 第61-65页 |
| ·样本集分解策略 | 第62-63页 |
| ·经典算法改造策略 | 第63-65页 |
| ·多标记覆盖算法 | 第65-75页 |
| ·算法的基本思想 | 第65-67页 |
| ·多标记覆盖算法MLCA | 第67-69页 |
| ·实验、分析及改进 | 第69-75页 |
| ·基于半监督学习的多标记覆盖算法 | 第75-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 多示例覆盖算法 | 第80-99页 |
| ·多示例学习概述 | 第80-84页 |
| ·多示例问题的提出 | 第80-82页 |
| ·多示例学习中的常用算法 | 第82-84页 |
| ·多示例学习的发展 | 第84页 |
| ·多示例覆盖算法 | 第84-95页 |
| ·基于强噪声处理的多示例覆盖算法 | 第85-88页 |
| ·基于包覆盖的多示例覆盖算法 | 第88-90页 |
| ·基于包转换的多示例覆盖算法 | 第90-91页 |
| ·实验及分析 | 第91-95页 |
| ·多示例多标记问题 | 第95-98页 |
| ·多示例多标记学习问题的提出 | 第95-96页 |
| ·多示例多标记下的覆盖算法 | 第96-97页 |
| ·实验与结论 | 第97-98页 |
| ·本章小结 | 第98-99页 |
| 第六章 总结与展望 | 第99-103页 |
| ·本文的主要工作与创新 | 第99-101页 |
| ·本文的主要工作 | 第99-101页 |
| ·本文的主要创新 | 第101页 |
| ·进一步的研究方向 | 第101-103页 |
| 参考文献 | 第103-113页 |
| 图索引 | 第113-114页 |
| 表索引 | 第114-116页 |
| Figure Index | 第116-117页 |
| Table Index | 第117-119页 |
| 致谢 | 第119-120页 |
| 攻读博士学位期间从事的科研工作及发表的论文 | 第120-122页 |
