摘要 | 第1-6页 |
ABSTRACT | 第6-13页 |
第一章 引言 | 第13-24页 |
·离散化对分类问题的影响 | 第13-15页 |
·属性与算法 | 第15-18页 |
·属性的构成 | 第15-16页 |
·属性的分类 | 第16-17页 |
·算法的分类 | 第17-18页 |
·面向算法的学习 | 第18-20页 |
·面向结构的学习 | 第20-22页 |
·本章小结 | 第22页 |
·本文各章安排 | 第22-24页 |
第二章 中间格结构 | 第24-33页 |
·格的定义 | 第24-28页 |
·面向格的属性转换 | 第28-29页 |
·面向格的算法转换 | 第29-32页 |
·格的基本运算 | 第29-31页 |
·格运算的意义 | 第31-32页 |
·本章小结 | 第32-33页 |
第三章 机器学习机 | 第33-46页 |
·“学习”算法实例 | 第33-35页 |
·序列覆盖算法 | 第33-34页 |
·梯度下降法 | 第34-35页 |
·机器学习机的六元组表示 | 第35-44页 |
·“学习”的形式化定义 | 第35-36页 |
·描述性定义与形式化定义 | 第36-37页 |
·目标函数T | 第37-38页 |
·假设空间H | 第38-39页 |
·数据集合D | 第39-40页 |
·性能度量P | 第40-41页 |
·学习算法L | 第41-43页 |
·结束条件C | 第43-44页 |
·基于格的机器学习机 | 第44-45页 |
·本章小结 | 第45-46页 |
第四章 基于格的规则归纳 | 第46-93页 |
·规则 | 第46-49页 |
·规则表 | 第46页 |
·规则集 | 第46-47页 |
·规则序列 | 第47页 |
·决策树 | 第47-49页 |
·带例外规则 | 第49页 |
·规则的评价 | 第49-51页 |
·规则归纳算法 | 第51-52页 |
·决策树学习 | 第51-52页 |
·规则序列学习 | 第52页 |
·带例外规则学习 | 第52页 |
·基于认知的带例外规则学习 | 第52-57页 |
·人的认知过程 | 第53-54页 |
·基于认知的RE 学习框架 | 第54-56页 |
·CBREL 与RE 学习机 | 第56-57页 |
·CBREL-CBL 算法 | 第57-71页 |
·基于聚类的RE 学习 | 第57-61页 |
·划分过程 | 第61-65页 |
·算法分析 | 第65-68页 |
·实验分析 | 第68-69页 |
·CBREL-CBL 的类型 | 第69-71页 |
·基于格的CBREL-CBL | 第71页 |
·CBREL-ID3 算法 | 第71-81页 |
·ID3 算法 | 第71-73页 |
·CBREL 框架与ID3 算法 | 第73-75页 |
·RE 与决策树的转换 | 第75-78页 |
·CBREL-ID3 的类型 | 第78-80页 |
·基于格的CBREL-ID3 | 第80-81页 |
·AOL 与SOL 的实验比较 | 第81-92页 |
·数据集 | 第81-82页 |
·属性转换方法 | 第82-85页 |
·实验平台 | 第85-88页 |
·实验结果 | 第88-92页 |
·本章小结 | 第92-93页 |
第五章 基于半格的LDA 类模型学习 | 第93-113页 |
·LDA 类模型 | 第93-99页 |
·Dirichlet 分布 | 第93-94页 |
·Latent Dirichlet Allocation Model (LDA) | 第94-95页 |
·Topical N-gram Model (TNG) | 第95-96页 |
·Topical Word-Character Model (TWC) | 第96-99页 |
·LDA 类模型的推导 | 第99-105页 |
·LDA 的推导 | 第99-101页 |
·TNG 的推导 | 第101-102页 |
·TWC 的推导 | 第102-105页 |
·基于半格的LDA 类聚类 | 第105-108页 |
·LDA 类学习机 | 第106-107页 |
·半格函数的转换 | 第107-108页 |
·实验 | 第108-112页 |
·数据集 | 第108-109页 |
·种子 | 第109-110页 |
·学习结果 | 第110-112页 |
·本章小结 | 第112-113页 |
第六章 全文总结 | 第113-117页 |
·主要工作及结论 | 第113-115页 |
·研究不足与展望 | 第115-117页 |
致谢 | 第117-118页 |
参考文献 | 第118-124页 |
攻读博士学位期间已发表或录用的论文 | 第124-126页 |