大规模机器学习：矩阵低秩近似与在线学习
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 表格索引 | 第10-11页 |
| 插图索引 | 第11-13页 |
| 主要符号对照表 | 第13-14页 |
| 第一章 导言 | 第14-20页 |
| 第二章 相关工作 | 第20-28页 |
| ·Nystr?m 方法 | 第20-21页 |
| ·集成Nystr?m 算法 | 第21页 |
| ·随机低秩近似算法 | 第21-22页 |
| ·谱聚类 | 第22-23页 |
| ·使用Nystr?m 的谱聚类 | 第23-24页 |
| ·使用MILES 的多样例学习 | 第24-25页 |
| ·在线学习 | 第25-28页 |
| 第三章 对Nystr?m 的改进 | 第28-60页 |
| ·结合Nystr?m 和随机SVD | 第28-30页 |
| ·误差分析 | 第30-44页 |
| ·预备知识 | 第30-34页 |
| ·谱范数 | 第34-39页 |
| ·F 范数 | 第39-44页 |
| ·图形卡 | 第44-45页 |
| ·实验 | 第45-60页 |
| ·实验数据 | 第46页 |
| ·CPU 上的低秩近似 | 第46-52页 |
| ·CPU 上的谱嵌入 | 第52-55页 |
| ·GPU 上的低秩近似 | 第55-60页 |
| 第四章 基于Nystr?m 的谱聚类算法 | 第60-80页 |
| ·Single-Pass 算法 | 第60-66页 |
| ·一个好的度矩阵的近似 | 第60-62页 |
| ·的-秩近似 | 第62-63页 |
| ·时间和空间复杂度 | 第63-64页 |
| ·同其他近似的比较 | 第64-65页 |
| ·正交化近似的特征向量 | 第65-66页 |
| ·实验 | 第66-80页 |
| ·谱聚类 | 第66-70页 |
| ·图像分割 | 第70-80页 |
| 第五章 在线多样例学习 | 第80-103页 |
| ·在线多样例学习 | 第80-92页 |
| ·Elastic Net 规约子 | 第80-82页 |
| ·有效的更新( +1) | 第82-91页 |
| ·变长的特征向量 | 第91页 |
| ·完整的算法 | 第91-92页 |
| ·实验 | 第92-103页 |
| ·人工数据 | 第92-94页 |
| ·药物活性预测 | 第94页 |
| ·物体跟踪 | 第94-103页 |
| 总结与展望 | 第103-106页 |
| 参考文献 | 第106-110页 |
| 致谢 | 第110-111页 |
| 攻读学位期间发表的学术论文目录 | 第111-113页 |
