推荐一些多目标机器学习的专著

时间: 2024-08-13 17:09:31 浏览: 75

人工智能与机器学习(1).pptx

5星 · 资源好评率100%

深度学习快速推进中的机器学习与人工智能前沿人工智能与机器学习(1)全文共61页，当前为第1页。提纲深度学习(DL)及其应用前沿 DL在CV领域应用的启示关键算法介绍 Perceptron及学习算法 MLP及其BP算法 Auto-Encoder CNN及其主要变种关于DL的思考与讨论 2 人工智能与机器学习(1)全文共61页，当前为第2页。机器学习的基本任务 3 Class label (Classification) Vector (Estimation) {dog, cat, horse,, …} Object recognition Super resolution Low-resolution image High-resolution image 人工智能与机器学习(1)全文共61页，当前为第3页。源起——生物神经系统的启示神经元之间通过突触(synapse)连接层级感受野，学习使突触连接增强或变弱甚至消失 4 Hubel, D. H. & Wiesel, T. N. (1962) 人工智能与机器学习(1)全文共61页，当前为第4页。第一代神经网络感知机(Perceptrons)模型[Rosenblatt, 1957] 二类分类，单个神经元的功能(输入输出关系) = f为激活函数，其中： = =1 = =0 5 Frank Rosenblatt(1957), The Perceptron--a perceiving and recognizing automaton. Report 85-460-1, Cornell Aeronautical Laboratory. 人工智能与机器学习(1)全文共61页，当前为第5页。第一代神经网络单层感知机(Perceptrons)模型的局限性 Minsky & Papert的专著Perceptron(1969) 只能对线性可分的模式进行分类解决不了异或问题几乎宣判了这类模型的死刑，导致了随后多年NN研究的低潮 6 人工智能与机器学习(1)全文共61页，当前为第6页。 2nd Generation Neural Networks 多层感知机(Multi-layer Perceptron, MLP) 超过1层的hidden layers（正确输出未知的层） BP算法 [Rumelhart et al., 1986] Compute error signal; Then, back-propagate error signal to get derivatives for learning 7 David E. Rumelhart,, Geoffrey E. Hinton, and Ronald J. Williams. (Oct.1986). "Learning representations by back-propagating errors". Nature 323 (6088): 533–536 Ʃ Ʃ Ʃ Ʃ Ʃ Ʃ 1 2 3 1 2 人工智能与机器学习(1)全文共61页，当前为第7页。 Error Backpropagation W is the parameter of the network; J is the objective function Feedforward operation Back error propagation David E. Rumelhart,, Geoffrey E. Hinton, and Ronald J. Williams. (Oct.1986). "Learning representations by back-propagating errors". Nature 323 (6088): 533–536 Output layer Hidden layers Input layer Target values 人工智能与机器学习(1)全文共61页，当前为第8页。 2nd Generation Neural Networks 理论上多层好两层权重即可逼近任何连续函数映射遗憾的是，训练困难 It requires labeled training data Almost all data is unlabeled. The learning time does not scale well It is very slow in networks with multiple hidden layers. It can get stuck in poor local optima These are often quite good, but for deep nets they are far 《人工智能与机器学习》深度学习作为机器学习的分支，是近年来推动人工智能发展的关键力量。这一领域的前沿进展迅速，不断革新着计算机视觉（CV）、自然语言处理（NLP）等多个领域。深度学习的核心在于构建多层神经网络，模拟生物神经系统的层次结构，以实现对复杂模式的识别和学习。我们从最基础的机器学习任务谈起。机器学习的目标分为两大类：分类（Classification）和估计（Estimation）。分类任务涉及将输入数据分配到预定义的类别中，如图像中的物体识别；而估计任务则涉及预测连续变量，如图像的超分辨率重建，即通过低分辨率图像生成高分辨率图像。第一代神经网络，即感知机（Perceptrons），由Frank Rosenblatt在1957年提出。感知机是一种简单的二类分类模型，由单个神经元构成，其功能由输入输出关系决定，通过激活函数实现。然而，Minsky和Papert在1969年的专著中指出，单层感知机仅能处理线性可分问题，无法解决异或问题，这导致了神经网络研究的一段时间停滞。第二代神经网络的出现打破了僵局，引入了多层感知机（Multi-layer Perceptron, MLP），也被称为前馈神经网络。MLP具有隐藏层，可以处理非线性可分问题。其学习过程依赖于反向传播（Backpropagation）算法，由David E. Rumelhart等人在1986年提出。反向传播通过计算误差信号并反向传播来更新权重，从而优化网络性能。这种方法理论上可以逼近任意连续函数，但实际操作中面临一些挑战，如需要大量标注数据、训练时间长以及可能陷入局部最优等。此外，自动编码器（Auto-Encoder）作为一种无监督学习方法，用于数据降维和特征提取。卷积神经网络（Convolutional Neural Networks, CNN）是深度学习在CV领域的核心，尤其在图像识别和处理中表现出色，其主要变种如AlexNet、VGG、ResNet等都极大地推动了图像识别的精度提升。尽管深度学习在很多方面取得了显著成果，但仍存在诸多挑战，比如训练数据的标注问题、计算资源的需求、模型解释性以及避免过拟合等。因此，关于深度学习的思考与讨论仍在持续，包括如何提高模型的泛化能力、减少对标注数据的依赖，以及发展更有效的学习策略。人工智能与机器学习的发展是一个动态的过程，深度学习作为其中的关键技术，已经在许多领域产生了深远影响。随着技术的不断进步，我们期待未来能有更多创新和突破，以应对日益复杂的计算挑战。

推荐几本关于多目标优化（Multi-Objective Optimization, MOO）和多目标机器学习的经典书籍，这些书籍可以帮助您深入了解这个领域： 1. **"Multiobjective Optimization: A Comprehensive Introduction"** by Birgit Miettinen, Erkki Karvanen, and Juha Pukkila: 这本书提供了多目标优化的基本理论和方法，并包含实际应用案例。 2. **"Nonlinear Multiobjective Optimization: Theory and Methods"** by Hervé Jaumard, Jean-Paul Watson, and Michel Thera: 对于更高级的研究者，这本书深入探讨了非线性和连续多目标优化的数学基础和技术。 3. **"Foundations of Goal Programming and Multiobjective Optimization"** by Zvi Drezner and Mark Scott: 针对决策分析领域的多目标方法，介绍了目标规划等技术。 4. **"Decision Making with Multiple Objectives"** by John Ryan and Chris Shortliffe: 提供了一种实用的方法论，适合那些寻求解决复杂决策问题的人。 5. **"Machine Learning for Multi-Objective Problems: Algorithms and Case Studies"** by Luis Godo, Ana Belén Pérez-Sánchez, and Ignacio Gil-Fuster: 专门关注多目标机器学习的应用和实例，结合最新进展。 6. **"Multi-objective Evolutionary Algorithms in Practice"** by Xin Yao, David E. Goldberg, and Li-Mei He: 阐述了进化算法在多目标优化中的应用，特别是遗传算法。

阅读全文

推荐一些多目标机器学习的专著

相关推荐

2017智能多媒体分析的深度学习研讨会（英文）.pdf

(BOOK)多目标优化的方法与理论

python机器学习多目标规划

推荐一些机器学习的课程

目标检测 机器学习 深度学习的关系

机器学习入门推荐书籍

机器学习的目标检测算法

机器学习保险产品推荐

机器学习目标检测算法

机器学习yolov5小目标识别

基于机器学习的目标检测算法

数据分析与机器学习的书籍推荐

基于机器学习的目标检测算法优点

基于传统机器学习的目标检测算法

列举一些常见的机器学习算法

推荐几本机器学习数学习题册

机器学习算法豆瓣电影推荐

机器学习中目标值是什么

Python机器学习的书籍推荐

最新推荐

机器学习-线性回归整理PPT

机器学习+研究生复试+求职+面试题

lammps-reaxff-机器学习-电化学.pdf

机器学习试题-试卷.docx

基于Kubeflow的机器学习调度平台落地实战

新代数控API接口实现CNC数据采集技术解析

管理建模和仿真的文件

MapReduce数据读取艺术：输入对象的高效使用秘籍

如何在Win10系统中通过网线使用命令行工具配置树莓派的网络并测试连接？请提供详细步骤。

Java版Window任务管理器的设计与实现

目标检测机器学习深度学习的关系