机器学习与精据挖掘：方法和应用

第1部分 基 本 概 念
第1章 机器学习方法概述 （2）
1.1 导论 （2）
1.2 机器学习任务 （4）
1.2.1 认知观点 （5）
1.2.2 表示问题 （7）
1.3 泛化空间的搜索 （11）
1.3.1 学习的归纳本质 （11）
1.3.2 穷尽搜索 （13）
1.3.3 启发式搜索 （14）
1.4 学习经典任务 （16）
1.4.1 分而治之学习法 （16）
1.4.2 主动覆盖：AQ学习 （24）
1.4.3 学习算法评估 （27）
1.5 如何利用谓词逻辑 （29）
1.5.1 从关系中学习Horn子句 （30）
1.5.2 反转归并 （34）
1.5.3 理论修正 （36）
1.5.4 构造归纳 （38）
1.6 人工发现 （40）
1.6.1 概念形成 （41）
1.6.2 寻找自然定律 （46）
1.6.3 动态系统的发现 （49）
1.7 如何处理搜索空间过大 （50）
1.7.1 类比提供搜索启发 （50）
1.7.2 基于示例学习 （51）
1.8 机器学习的近邻 （53）
1.8.1 人工神经网络 （53）
1.8.2 遗传算法 （55）
1.9 混合系统与多策略学习 （57）
1.9.1 熵网络 （58）
1.9.2 基于知识的神经网络 （59）
1.9.3 AQ泛化中的遗传搜索 （60）
1.9.4 GA与神经网络的结合 （61）
1.10 展望 （61）
参考文献 （62）
第2章 数据挖掘与知识发现：对问题和多策略方法的回顾 （65）
2.1 前言 （65）
2.2 机器学习与多策略数据分析 （67）
2.2.1 从具体实例中抽取通用规则 （68）
2.2.2 概念聚类 （72）
2.2.3 构造性归纳 （73）
2.2.4 选择最有代表性的样本 （74）
2.2.5 定性与定量结合的发现 （75）
2.2.6 定性预测 （75）
2.2.7 基于机器学习方法的总结 （77）
2.3 数据分析任务中的分类 （78）
2.4 INLEN中各操作的集成 （81）
2.5 聚类和学习操作的说明 （84）
2.6 数据与规则的可视化 （86）
2.7 结构属性的规则学习 （89）
2.8 从决策规则中学习决策结构 （91）
2.9 表示空间的自动改善 （93）
2.9.1 确定最相关的属性 （93）
2.9.2 新属性的产生 （94）
2.10 应用展示：经济与人口统计数据中的发现 （94）
2.10.1 背景 （94）
2.10.2 实验1：多操作的集成 （95）
2.10.3 实验2：子群中的异常识别 （96）
2.10.4 实验3：利用结构属性 （97）
2.10.5 实验4：利用构造性归纳运算操作 （99）
2.11 总结 （100）
参考文献
（101）
第3章 机器学习在多个领域的应用 （102）
3.1 前言 （102）
3.2 规则归纳在多个领域中的应用 （103）
3.2.1 提高化工过程控制中的产量 （103）
3.2.2 信用评估决策 （104）
3.2.3 机械设备故障诊断 （105）
3.2.4 天体对象的自动分类 （106）
3.2.5 监测旋转乳液的质量 （107）
3.2.6 减少照排印刷时的条纹现象 （107）
3.2.7 改善油气分离质量 （108）
3.2.8 预防电力变压器故障 （109）
3.2.9 规则归纳在其他领域的应用 （110）
3.3 规则归纳的其他应用研究 （110）
3.3.1 填表工作的自动化 （111）
3.3.2 支持知识库维护 （111）
3.3.3 航天飞机引擎的测试 （112）
3.3.4 严重暴风雨的预报 （112）
3.3.5 直升机叶片的修理 （112）
3.3.6 预测蛋白质结构 （113）
3.3.7 钢厂调度自动化 （113）
3.3.8 更多应用及其相关方法 （113）
3.4 若干策略和经验 （114）
3.4.1 问题的明确描述 （114）
3.4.2 确定表示方法 （115）
3.4.3 训练数据的收集 （115）
3.4.4 评估学习获得的知识 （116）
3.4.5 知识库的具体应用 （116）
3.4.6 机器学习应用的效能来源 （117）
参考文献 （118）
第4章 归纳逻辑编程的应用 （120）
4.1 前言 （120）
4.2 ILP方法与其他机器学习方法的比较 （122）
4.3 预测化合物的诱变性 （123）
4.4 放电机器中的技能重建 （125）
4.4.1 表示方法的设计 （125）
4.4.2 学习结果和专家评估 （126）
4.5 ILP的一些其他应用 （128）
4.6 总结 （130）
参考文献 （131）
第2部分 设计与工程
第5章 机器学习在有限元计算中的应用 （134）
5.1 简介 （134）
5.2 向FEM产生器添加一个专家系统 （136）
5.3 学习问题. 实例和背景知识 （137）
5.3.1 问题的关系特性 （137）
5.3.2 实例来源 （137）
5.3.3 正面实例 （138）
5.3.4 反面实例 （139）
5.3.5 背景知识 （139）
5.3.6 学习集概要 （141）
5.4 以前的实验 （142）
5.4.1 GOLEM的实验 （142）
5.4.2 FOIL的实验 （143）
5.4.3 mFOIL的实验 （144）
5.4.4 CLAUDIEN的实验 （144）
5.4.5 MILP的实验 （144）
5.4.6 FOSSIL的实验 （145）
5.4.7 属性值算法的实验 （145）
5.5 选择一个合适的学习算法 （145）
5.6 根据CLAUDIEN学习 （147）
5.7 归纳的规则的后期处理 （150）
5.8 结果 （152）
5.8.1 知识库与ES Shell （152）
5.8.2 对专家系统的评价 （153）
5.9 总结 （156）
参考文献 （157）
第6章 归纳学习和基于事例的推理在工业机器故障检测方面的应用 （159）
6.1 简介 （159）
6.2 归纳学习与基于事例的推理 （160）
6.3 更好地利用经验 （162）
6.4 应用 （162）
6.4.1 CFM 56-3引擎的故障检测 （163）
6.4.2 机器人轴心的故障检测 （165）
参考文献 （168）
第7章 经验装配序列规划：多策略构造学习方法 （170）
7.1 前言 （170）
7.2 NOMAD中的表示与规划 （172）
7.3 多策略构造学习 （176）
7.4 NOMAD的学习场景 （177）
7.5 与先前研究进行比较 （181）
7.6 结束语 （183）
参考文献 （184）
第8章 归纳学习设计入门：关于防摩擦轴承系统的
设计方法和实例研究 （186）
8.1 导论 （186）
8.2 一种学习设计规则的方法 （187）
8.2.1 概述 （187）
8.2.2 学习规则集的经验性错误 （188）
8.2.3 应用已学习到的规则处理新例子 （189）
8.3 一个示范问题的描述 （189）
8.4 归纳方法的应用 （191）
8.4.1 变量的定性值 （192）
8.5 训练与事件测试 （193）
8.5.1 设计知识源 （193）
8.5.2 样本数据库 （194）
8.6 结果分析 （194）
8.6.1 从训练样本中学习规则 （195）
8.6.2 以递增学习方法评估预备样本 （196）
8.6.3 得到结果的可信度 （197）
8.7 总结 （199）
参考文献 （200）
第3部分 文本. 图像和音乐模式的测定
第9章 找出文本之间的关联 （202）
9.1 介绍 （202）
9.2 FACT系统结构 （204）
9.3 关联 （207）
9.4 查询语言 （208）
9.5 查询操作 （210）
9.6 关系表达式 （213）
9.7 对新闻数据运用FACT系统 （213）
9.8 总结 （216）
参考文献 （217）
第10章 学习图像中的模式 （220）
10.1 导论 （220）
10.2 计算机视觉中机器学习的研究工作 （221）
10.3 室外场景彩色图像的语义解释 （224）
10.3.1 MIST方法 （224）
10.3.2 实现和实验结果 （226）
10.4 检查行李X光图像中的引爆雷管 （229）
10.4.1 预备知识 （229）
10.4.2 问题描述 （231）
10.4.3 方法和实验结果 （232）
10.5 视频图像序列中的动作识别 （234）
10.5.1 来自动作的功能 （234）
10.5.2 运动的计算 （236）
10.5.3 实验 （238）
10.6 结论与未来的研究 （242）
10.6.1 室外场景彩色图像的语义解释 （242）
10.6.2 行李X管图像中的引爆雷管检测 （242）
10.6.3 识别视频图像序列中的动作 （242）
10.6.4 在视觉系统中结合学习的优点 （243）
参考文献 （244）
第11章 机器学习在音乐研究领域的应用：深入音乐
表达现象的经验调查 （246）
11.1 介绍 （246）
11.2 学习对象：富有表现力的音乐演奏 （248）
11.3 背景知识的特性和价值 （248）
11.4 方法一：在音乐符号的层次上学习 （250）
11.4.1 目标概念 （251）
11.4.2 定性的领域理论 （251）
11.4.3 IBL-SMART学习算法 （254）
11.4.4 实验 （255）
11.5 方法二：在结构层次上学习 （258）
11.5.1 实验 （260）
11.6 对真实艺术的演奏的一次机器学习分析 （263）
11.7 实验结果的讨论 （266）
11.7.1 定量的分析 （267）
11.7.2 对于音乐理论有用的定性结果 （269）
11.8 总结 （269）
参考文献 （270）
第4部分 计算机系统和控制系统
第12章 网页哨兵：万维网页学习者 （274）
12.1 概述 （274）
12.2 网页哨兵 （274）
12.3 学习 （280）
12.3.1 该学些什么 （280）
12.3.2 怎样描述Pages, Links和Goals （280）
12.3.3 应该用什么样的学习方法 （282）
12.4 实验结果 （283）
12.4.1 UserChoice？能学习到多精确的程度 （283）
12.4.2 牺牲覆盖率能改进准确率吗 （285）
12.5 总结 （286）
参考文献 （287）
第13章 计算机病毒的生物启发式防御 （288）
13.1 介绍 （288）
13.2 背景 （289）
13.2.1 计算机病毒 （289）
13.2.2 病毒的检测. 清除和分析 （290）
13.3 病毒种类的检测 （291）
13.3.1 特征选取 （294）
13.3.2 分类器的训练和性能 （295）
13.4 计算机免疫系统 （296）
13.4.1 未知检测 （298）
13.4.2 扫描已知病毒 （299）
13.4.3 清除病毒 （300）
13.4.4 诱饵 （300）
13.4.5 病毒自动分析 （301）
13.4.6 自动特征抽取 （302）
13.4.7 免疫的记忆 （304）
13.4.8 用自我复制对付自我复制 （304）
13.5 结论与展望 （305）
参考文献 （306）
第14章 控制技术的行为复制 （308）
14.1 引言 （308）
14.2 行为复制 （310）
14.3 杆平衡 （311）
14.3.1 问题 （311）
14.3.2 杆的选择 （312）
14.3.3 时间延迟 （312）
14.3.4 清除效果 Clean-up Effect （312）
14.3.5 敏感性 （313）
14.3.6 归纳规则的透明性 （314）
14.4 学习飞行 （314）
14.4.1 问题 （314）
14.4.2 样本选择 （315）
14.4.3 时间延迟 （315）
14.4.4 清除效果 （316）
14.4.5 敏感性 （316）
14.4.6 归纳规则的透明度 （317）
14.5 集装箱起重机 （317）
14.5.1 问题 （317）
14.5.2 选择例子 （318）
14.5.3 时间延迟 （319）
14.5.4 清除效果 （319）
14.5.5 敏感性 （320）
14.5.6 推导规则的透明度 （321）
14.6 生产线调度 （322）
14.6.1 问题 （322）
14.6.2 样本的选择 （322）
14.6.3 时延 （322）
14.6.4 清除效果 （323）
14.6.5 敏感性 （323）
14.6.6 归纳规则的透明度 （323）
14.7 讨论 （323）
参考文献 （325）
第15章 空中交通控制一阶知识的获取 （327）
15.1 引言 （327）
15.2 基于知识的关系归纳 （330）
15.2.1 零阶与一阶表示的对比 （330）
15.2.2 OGUST介绍 （333）
15.3 ATC的应用 （341）
15.3.1 简介 （341）
15.3.2 选择表示语言 （341）
15.3.3 确定要学习的概念 （341）
15.3.4 获取例子并重写它们 （342）
15.3.5 用Horn子句重写背景知识 （353）
15.3.6 算法对结构化对象的应用 （355）
15.3.7 重写归纳 （357）
15.4 总结 （360）
参考文献 （362）
第5部分 医学和生物学
第16章 机器学习在医学诊断中的应用 （366）
16.1 介绍 （366）
16.2 医学诊断 （367）
16.3 医生与机器学习诊断结果的比较 （368）
16.4 选择适当的机器学习系统 （370）
16.4.1 机器学习系统的具体要求 （371）
16.4.2 测试的算法描述 （372）
16.4.3 医学问题上算法效果的比较 （374）
16.4.4 医学诊断的实用性 （375）
16.5 实践中的认同 （378）
16.6 总结 （379）
参考文献 （381）
第17章 学习对生物医学信号进行分类 （383）
17.1 介绍 （383）
17.2 两个医学领域 （384）
17.2.1 睡眠分类 （384）
17.2.2 从脑电波信号中识别肌肉运动指令 （386）
17.3 基于神经网络初始化的决策树方法 （388）
17.3.1 TBNN基本思想 （389）
17.3.2 初始化权值和相邻层的完全连接 （390）
17.3.3 弱化间隔和神经网络的微调 （392）
17.4 基于树的RBF网络初始化 （393）
17.4.1 RBF网络及其参数 （393）
17.4.2 基于参数设置的决策树 （395）
17.5 试验 （396）
17.6 讨论 （399）
参考文献 （401）
第18章 机器学习在河流水质的生物分类中的应用 （402）
18.1 简介 （402）
18.2 英国河流生物分类中的规则学习 （404）
18.2.1 数据 （405）
18.2.2 实验 （406）
18.3 对斯洛文尼亚河流数据的分析 （410）
18.3.1 理化参数对选定生物体的影响 （412）
18.3.2. 生物分类 （416）
18.4 讨论 （419）
参考文献 （421）