機器學習及其應用2013（簡體書）

機器學習是計算機科學和人工智能中非常重要的一個研究領域。近年來，機器學習不僅在計算機科學的眾多領域中大顯身手，還成為一些交叉學科的重要支持技術。《中國計算機學會學術著作叢書·知識科學系列：機器學習及其應用2013》邀請國內外相關領域的專家撰文，以綜述的形式分別介紹機器學習不同分支及相關領域的研究進展。全書共分8章，內容分別涉及稀疏話題表示學習、基于向量場的流形學習和排序、秩極小化、實值多變量維數約簡等技術，知識挖掘與用戶建模、異質人臉圖像合成等應用，以及對多視圖在利用未標記數據學習中的效用、面向高維多視圖數據的廣義相關分析的探討。
《中國計算機學會學術著作叢書·知識科學系列：機器學習及其應用2013》可供高校、科研院所計算機、自動化及相關專業的師生、科技工作者和相關企業的工程技術人員閱讀參考。

機器學習致力于“利用經驗來改善系統自身的性能”。在計算機系統中，“經驗”通常’是以數據的形式存在的，要利用經驗就不可避免地要對數據進行分析，因此，機器學習已逐漸成為計算機數據分析技術的源泉之一。隨著人類收集和存儲數據能力的不斷增長以及計算機運算能力的飛速發展，利用計算機來分析數據的要求越來越廣泛，越來越迫切，從而使得機器學習的重要性越來越顯著。機器學習不僅是人工智能的核心研究領域之一，目前還成為計算機科學中最活躍、最受關注的領域之一。
2002年，陸汝鈐院士在復旦大學智能信息處理實驗室發起組織了“智能信息處理系列研討會”，并將“機器學習及其應用”列為當年支持的研討會之一。2002年11月，研討會成功舉行，并確定了會議不征文、不收費、報告人由組織者邀請，以及“學術至上，其他從簡”的辦會宗旨。2004年11月，在復旦大學舉行了第二屆“機器學習及其應用”研討會，兩天半的會議一直有100余人旁聽。2005年起，研討會由南京大學軟件新技術國家重點實驗室舉辦。2005年11月舉辦的第三屆研討會吸引了來自全國近10個省市的250余人旁聽；2006年11月、2007年11月分別由南京航空航天大學信息科學與技術學院、南京師范大學數學與計算機學院協辦第四屆和第五屆研討會，兩次均吸引了來自全國10余個省市的約300人旁聽；2008年11月舉行的第六屆研討會，適逢南京大學計算機學科建立50周年，吸引了來自全國10余個省市的380余人旁聽；此后在2009年11月和2010年11月在南京大學分別舉行了第七、八屆研討會，均有約400人旁聽。2011年11月和2012年11月由清華大學自動化系、智能科學與系統國家重點實驗室、清華大學信息科學與技術國家實驗室（籌）舉辦第九屆和第十屆研討會，這兩次會議均有500多人旁聽。

Learning Sparse Topical Representations
1 Introduction
2 Related Work
2. 1 Probabilistic LDA
2.2 Non-negative Matrix Factorization
3 Sparse Topical Coding
3.1 A Probabilistic Generative Process
3.2 STC for MAP Estimation
3.3 Optimization with Coordinate Descent
4 Extensions
4.1 Collapsed STC
4. 2 Supervised Sparse Topical Coding
5 Experiments
5.1 Sparse Word Code
5.2 Prediction Accuracy
5.3 Time Efficiency
6 Conclusion
References

多視圖在利用未標記數據學習中的效用
1 引言
2 多視圖在半監督學習中的效用
3 多視圖在主動學習中的效用
4 多視圖在主動半監督學習中的效用
5 視圖分割
6 結束語
參考文獻

知識挖掘與用戶建模
1 引言
2 技術綜述
3 本體知識體系構建
3.1 知識挖掘
3.2 知識加工
3.3 語義計算
3.4 實驗結果
3.5 基于本體知識的需求主題體系構建
4 跨產品用戶日志挖掘
4.1 技術框架
4.2 跨產品用戶數據session分割
4.3 跨產品用戶數據關注點挖掘
5 用戶建模
5.1 用戶屬性建模
5.2 用戶興趣建模
5.3 用戶狀態建模
5.4 多維度用戶行為分析模型
5.5 用戶興趣模型的地域性關聯分析
6 結語
參考文獻

異質人臉圖像合成
1 引言
2 基于子空間學習的圖像合成方法
2.1 基于線性子空間學習的方法
2.2 基于流形學習的方法
3 基于貝葉斯推理的合成方法
3.1 基于嵌入式隱馬爾科夫模型的方法
3.2 基于馬爾科夫隨機場的方法
……
面向高維多視圖數據的廣義相關分析
基于向量場的流形學習和排序
秩極小化：理論、算法與應用
實值多變量維數約簡