基于免疫计算的机器学习方法及应用pdf

图书网 2019年12月12日12:16:45
评论
2.4K
摘要

适读人群 :本书可以为数据科学、信息科学、计算机科学、管理科学与工程、自动化等领域从事数据挖掘、机器学习、信息处理研究的相关专业技术人员提供指导。也可以适合于计算机应用、管理科学与工程、信息工程等专业的师生教学使用,还可供广大信息与知识工作者、有关管理和科技工作者学习参考。
针对关联规则挖掘、数据分类、数据聚类、属性约简等机器学习及生物信息大数据挖掘等具体问题,提出一系列新方法,并结合深度学习和张量计算探讨了机器学习软计算方法的*新发展动态和方向。

基于免疫计算的机器学习方法及应用 作者:徐雪松

基于免疫计算的机器学习方法及应用 出版社: 电子工业出版社

基于免疫计算的机器学习方法及应用 内容简介

大数据时代的机器学习和数据挖掘技术的作用日渐重要,受到了广泛的关注。本书立足于工程应用,将免疫智能计算方法引入机器学习领域,致力于研究基于生物免疫原理的机器学习软计算方法,以免疫计算智能的基本原理为线索,对其研究状况加以系统性的论述,从理论、算法构建及工程应用等方面对免疫机器学习进行介绍和分析。针对关联规则挖掘、数据分类、数据聚类、属性约简等机器学习及生物信息大数据挖掘等具体问题,提出一系列新方法,并结合深度学习和张量计算探讨了机器学习软计算方法的*新发展动态和方向。

基于免疫计算的机器学习方法及应用 目录

第1章诸论

1.1引言

1.2人工智能与机器学习

1.3数据挖掘与机器学习

1.4仿生计算智能与机器学习

1.5免疫计算与机器学习

1.6本书的内容及结构

参考文献

第2章机器学习主流技术与方法

2.1机器学习的发

2.2机器学习中的统计分析方法

2.2.1线性回归分析

2.2.2非线性回归分析

2.2.3多元线性回归分析

2.3机器学习中的现代技术方法

2.3.1粗糙集

2.3.2遗传算法

2.3.3神经网络

2.3.4深度学习

2.3.5支持向量机

2.3.6强化学习

2.3.7度量学习

2.3.8多核学习

2.3.9集成学习

2.3.10主动学习

2.3.11迁移学习

参考文献

第3章免疫计算的基础原理

3.1免疫计算生物学基础

3.1.1免疫学基本概念

3.1.2生物免疫系统的结构及组成

3.1.3免疫系统功能及机制

3.2人工免疫基本原理

3.2.1人工免疫系统基本概念

3.2.2人工免疫系统基本原理及机制

3.3免疫计算学习及优化方法

参考文献

第4章基于免疫聚类竞争的关联规则挖掘方法

4.1基本概念及问题描述

4.2数据表达及初始化

4.3免疫关联规则挖掘

4.3.1抗体聚类与竞争克隆

4.3.2抗体编码及初始化

4.3.3抗体亲和力定义

4.3.4抗体操作

4.4免疫关联规则挖掘方法及分析

4.5仿真实验及应用

4.5.1UCI数据集仿真实验

4.5.2教学质量规则挖掘与分析

参考文献

第5章基于小生境免疫粗糙集属性约简方法

5.1问题描述

5.2基本概念及理论

5.3属性信息编码及小生境免疫优化

5.3.1疫苗提取及初始抗体种群

5.3.2抗体编码及接种疫苗

5.4小生境免疫共享机制及免疫算子操作

5.5算法执行过程

5.6试验仿真及应用

5.6.1实验1

5.6.2实验2

5.6.3实验3

参考文献

第6章基于免疫阴性选择的数据分类器

6.1问题描述

6.2基本概念及原理

6.3文本分类规则编码

6.3.1个体编码

6.3.2亲和力定义

6.3.3免疫优化

6.4掩码匹配的否定选择分类器

6.5免疫进化分类实现

6.6仿真实验及应用

6.6.1实验一

6.6.2实验二

参考文献

第7章免疫网络在生物信息学中的应用

7.1基本概念及问题描述

7.2人工免疫网络理论

7.2.1aiNet

7.2.2AIRS

7.3基于免疫进化网络理论的分类器

7.4仿真实验及应用

7.4.1数据准备与处理

7.4.2仿真结果

7.5免疫进化网络分类器改进及应用

7.5.1基本概念

7.5.2免疫离散增量分类器设计

7.5.3分类器在模式生物识别中的应用

参考文献

总结及展望

基于免疫计算的机器学习方法及应用 精彩文摘

一些传统的观点认为,机器学习算法的任务是寻找准确的知识或规则,换句话说,按照评价函数而言是最优的。随着机器学习领域研究的不断深入,人们逐渐认识到,采用机器学习算法的重点己不再是寻找准确无误的知识,而是发现一些新颖的、可被人理解并有意义的新知识,通过人的参与来做出更高一级的决策,这才是知识发现的最终目的。而这些发现就整个大型数据库而言,可能只是一些次优的规则。有鉴于此,基于进化算法的机器学习方法很,陕受到人们的重视。进化算法是,种迭代式搜索算法,它可以在很短的时间内找到许多问题的次优解,但为求全局最优解则需要付出很大的代价。为此,人们提出了一些将该算法与已有启发式算法相互结合的混合进化算法来提高搜索过程的整体性能,就进化算法本身的构成而言,它在个体生成时的两个主要算子(交叉和变异)都是在一定发生概率的条件下,随机、没有指导地迭代搜索,因此它们在为群体中的个体提供了进化机会的同时,也无可避免地产生了退化的可能。在某些情况下,这种退化现象还相当明显。另外,很多有待处理的数据挖掘问题都会有自身一些基本的背景知识和显而易见的特征信息,然而进化算法的交叉和变异算子却相对固定,在求解问题时,可变的灵活程度较小。这无疑对算法的通用性是有益的,但却忽视了问题的特征信息对求解问题的辅助作用,特别是在求解一些规模较大的数据问题时,这种忽视所带来的损失往往就比较明显了。利用问题自身的背景知识和特征信息来进行求解,正是很多人提出混合进化算法的初衷。就目前而言,能够用于解决机器学习问题的方法很多,从它们所运用的技术特点来看,这些方法主要有三种类型:基于信息论的启发式学习方法、神经网络的学习方法。

图书网:基于免疫计算的机器学习方法及应用pdf

继续阅读

→→→→→→→→→→→→→→→→→→→→查找获取

匿名

发表评论

匿名网友

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: