【2023新书】机器学习中的表示学习
2023-06-13 09:17:11 时间
来源:专知本文为书籍介绍,建议阅读5分钟本书为表示提供了简明而全面的指南,这是机器学习(ML)的核心。
本书为表示提供了简明而全面的指南,这是机器学习(ML)的核心。最先进的实际应用涉及许多高维数据分析的挑战。不幸的是,许多流行的机器学习算法在面对庞大的基础数据时,在理论和实践中都无法执行。本书恰当地介绍了这个问题的解决方案。
此外,这本书涵盖了广泛的表示技术,对学者和ML从业者都很重要,如局部敏感哈希(LSH),距离度量和分数范数,主成分(PCs),随机投影和自动编码器。书中提供了几个实验结果来证明所讨论技术的有效性。
本书讨论了机器学习(ML)中最重要的表示问题。在使用机器从数据中学习类/聚类抽象时,以适合有效和高效机器学习的形式表示数据是很重要的。在本书中,我们建议涵盖各种在理论和实践中都很重要的表示技术。在当前兴趣的实际应用中,数据通常是高维的。这些应用包括图像分类、信息检索、人工智能中的问题解决、生物和化学结构分析以及社会网络分析。这种高维数据分析的一个主要问题是,大多数流行的工具,如k近邻分类器、决策树分类器,以及一些依赖于模式间距离计算的聚类算法都不能很好地工作。因此,在低维空间中表示数据是不可避免的。
常用的降维技术有以下几种:
1. 特征选择方案:在这里,给定的特征集的一个适当子集被识别并用于学习。
2. 特征提取方案:在学习中使用给定特征的线性或非线性组合。
一些流行的线性特征提取器基于主成分、随机投影和非负矩阵分解。我们在本书中涵盖了所有这些技术。关于用主成分子集表示数据,文献中存在一些误解。一般认为,前几个主成分是对数据进行分类的正确选择。我们在书中论证并实际地表明,这种做法可能是不正确的。
https://link.springer.com/book/10.1007/978-981-19-7908-8
相关文章
- 快速入门Python机器学习(30)
- 快速入门Python机器学习(33)
- 什么是机器学习
- 工业生产中,机器视觉的缺陷检测技术有哪些?
- 【机器学习笔记】有监督学习和无监督学习
- R-多分类logistic回归(机器学习)
- 【Python深度学习之路】-1 机器学习概论
- Deep Learning Chapter01:机器学习中概率论
- 从机器视觉「总裁」到军团「CTO」,段爱国被边缘化了吗?
- 机器学习算法:UMAP 深入理解
- 遥感数据机器学习的准备工作:python将栅格数据提取至EXCEL
- 动手体验 Elasticsearch 8.4.x 机器学习预测打车价格
- 2023年机器学习趋势分析
- 机器(深度)学习中的 Dropout
- 2023爱分析 · 数据科学与机器学习平台厂商全景报告 | 爱分析报告
- 297个机器学习彩图知识点(14)
- 原创 | 一文读懂机器学习中的shapley值方法
- 推荐 7 种机器学习模型加权集成方法
- 威斯康辛大学《机器学习导论》2020秋季课程完结,课件、视频资源已开放
- 机器学习(六):模型评估
- AI 黑箱难题怎么破?基于神经网络模型的算法使机器学习透明化
- 谷歌让机器更懂语言的博大精深,发布最大消歧语料库
- 机器即将重启重新启动Redis(机器要重启 redis)
- Oracle T5120引领机器学习新蓝图(oracle t5120)
- 年薪百万的机器学习专家,为什么不产生价值?