數據分析的結構化表征學習 (電子書)

結構化表徵學習是機器學習研究的核心問題之一，旨在探索如何從高維可觀測資料中獲取有效的結構化資訊表示，以實現高精度、魯棒、快速的資料分析，是由資料到知識的關鍵管道。本書重點介紹如何從具有不確定性的海量大媒體資料中挖掘和提取結構化、魯棒、高效的特徵，並實現高性能的資訊挖掘和知識推斷。本書內容包含近年來湧現的一些高效、魯棒的結構化表徵學習模型，介紹了基於魯棒且緊湊的表徵學習的一體化表徵學習理論和方法，並為應對真實世界中的資料分析任務，如數據簡約特徵表達、緊湊特徵壓縮、有效特徵篩選以及隱含知識挖掘等，提供了較為全面且切實可靠的解決方案。

本書作者所在的團隊多年來一直從事機器學習、電腦視覺、多媒體分析的研究，承擔過眾多國家級和省部級科研項目，具備從理論研究到工程應用的相關基礎。本書是對作者近五年研究成果的總結和梳理，書中介紹的理論和方法能夠很好地和實際應用結合在一起，行文流暢易讀，適合具有一定專業基礎的高年級本科生、研究生，以及相關領域的科研工作者和工程師閱讀。