機(jī)器學(xué)習(xí)算法及其應(yīng)用
定 價(jià):58 元
- 作者:吳梅梅 著
- 出版時(shí)間:2020/7/1
- ISBN:9787111654230
- 出 版 社:機(jī)械工業(yè)出版社
- 中圖法分類:TP181
- 頁(yè)碼:146
- 紙張:膠版紙
- 版次:1
- 開(kāi)本:16開(kāi)
隨著數(shù)字音樂(lè)內(nèi)容的迅速增長(zhǎng)以及人們對(duì)音樂(lè)鑒賞需求的日益提升,音樂(lè)信息的分類檢索及個(gè)性化推薦受到廣大網(wǎng)民和有關(guān)從業(yè)人員越來(lái)越廣泛的關(guān)注,并成為研究及應(yīng)用的新熱點(diǎn)。 本書系統(tǒng)地闡述了機(jī)器學(xué)習(xí)中的常用分類與推薦方法,介紹了網(wǎng)絡(luò)音樂(lè)自動(dòng)分類與推薦的理論基礎(chǔ),重點(diǎn)探討了SVM 和KNN 分類算法的改進(jìn),以及協(xié)同過(guò)濾推薦算法和基于馬爾可夫模型推薦算法的改進(jìn),并對(duì)改進(jìn)后的算法應(yīng)用到音樂(lè)自動(dòng)分類和個(gè)性化推薦領(lǐng)域進(jìn)行了探索性研究。
本書展現(xiàn)了機(jī)器學(xué)習(xí)常用算法的原理、改進(jìn)及應(yīng)用案例,適合機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘及大數(shù)據(jù)等領(lǐng)域的專業(yè)人員閱讀。
機(jī)器學(xué)習(xí)(MachineLearningML)是一門多領(lǐng)域交叉學(xué)科,涉及概率論、統(tǒng)計(jì)學(xué)、逼近論凸分析和算法復(fù)雜度理論等多門學(xué)科。機(jī)器學(xué)習(xí)專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為,以獲取新的知識(shí)或技能,重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能,它是人工智能的核心,是使計(jì)算機(jī)具有智能的根本途徑,其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域。
網(wǎng)絡(luò)音樂(lè)現(xiàn)在已成為僅次于即時(shí)通信、搜索引擎的第三大互聯(lián)網(wǎng)應(yīng)用。隨著數(shù)字音樂(lè)內(nèi)容的迅速增長(zhǎng)以及人們對(duì)音樂(lè)鑒賞需求的增強(qiáng),音樂(lè)信息的分類檢索受到了越來(lái)越多的關(guān)注,人工分類標(biāo)注已經(jīng)遠(yuǎn)遠(yuǎn)跟不上網(wǎng)絡(luò)數(shù)據(jù)的更新速度,無(wú)法滿足互聯(lián)網(wǎng)對(duì)海量音樂(lè)數(shù)據(jù)存儲(chǔ)、傳輸、欣賞、研究的新要求,越來(lái)越龐大的數(shù)字音樂(lè)數(shù)據(jù)庫(kù)需要智能化的分類管理和存儲(chǔ),音樂(lè)分類系統(tǒng)受到了廣大網(wǎng)民和有關(guān)從業(yè)人員越來(lái)越廣泛的關(guān)注。面對(duì)網(wǎng)絡(luò)音樂(lè)資源的爆炸式增長(zhǎng),如何從海量數(shù)字音樂(lè)資源中準(zhǔn)確、高效地為用戶推送其感興趣的高質(zhì)量音樂(lè)內(nèi)容,并為其構(gòu)建滿足個(gè)人喜好的播放列表已成為國(guó)內(nèi)外學(xué)術(shù)界關(guān)注的熱點(diǎn)問(wèn)題。音樂(lè)分類系統(tǒng)和個(gè)性化音樂(lè)推薦系統(tǒng)已經(jīng)逐漸成為理論研究和實(shí)際應(yīng)用的一個(gè)新熱點(diǎn)。
將機(jī)器學(xué)習(xí)算法應(yīng)用于網(wǎng)絡(luò)音樂(lè)自動(dòng)分類,不僅可以節(jié)省大量的人力和物力,而且不會(huì)由于人的主觀因素造成分類不準(zhǔn)確的情況,從而提高分類的準(zhǔn)確率。將機(jī)器學(xué)習(xí)算法應(yīng)用于音樂(lè)推薦,可以使用戶從海量的網(wǎng)絡(luò)音樂(lè)中快速找到自己感興趣的音樂(lè),并且有著不錯(cuò)的準(zhǔn)確率和召回率。
本書主要可以分為兩大部分:第1部分( 第1~4章)為基礎(chǔ)部分,第2部分(第5~8章)為應(yīng)用部分,各章主要內(nèi)容如下:
第1章機(jī)器學(xué)習(xí)簡(jiǎn)介。介紹了機(jī)器學(xué)習(xí)的概念、機(jī)器學(xué)習(xí)的發(fā)展及研究現(xiàn)狀;機(jī)器學(xué)習(xí)的分類,并從學(xué)習(xí)方式的維度將機(jī)器學(xué)習(xí)分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)4類,介紹了各類的特點(diǎn)、適用問(wèn)題以及學(xué)習(xí)過(guò)程;最后列舉了常用的機(jī)器學(xué)習(xí)算法。
第2章音樂(lè)、數(shù)字音樂(lè)與網(wǎng)絡(luò)音樂(lè)。介紹了音樂(lè)的藝術(shù)形式、產(chǎn)生、發(fā)展及音樂(lè)的要素,數(shù)字音樂(lè)的存儲(chǔ)與表示,網(wǎng)絡(luò)音樂(lè)的發(fā)展與特征。
第3章網(wǎng)絡(luò)音樂(lè)的分類與推薦基礎(chǔ)。介紹了音樂(lè)信息檢索的幾大要素,音樂(lè)不同維度的分類方式,網(wǎng)絡(luò)音樂(lè)自動(dòng)分類與推薦的研究現(xiàn)狀。
第4章機(jī)器學(xué)習(xí)中的分類與推薦算法。介紹了機(jī)器學(xué)習(xí)中的分類算法,主要包括樸素貝葉斯、決策樹(shù)、K-近鄰、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò),具體介紹了每種算法的概念、原理及學(xué)習(xí)過(guò)程,介紹了機(jī)器學(xué)習(xí)中的推薦方法,包括基于內(nèi)容的推薦、協(xié)同過(guò)濾推薦、基于馬爾可夫模型的推薦和混合推薦,具體介紹了每種推薦方法的原理及優(yōu)缺點(diǎn),以及推薦算法評(píng)價(jià)指標(biāo)。
第5章基于支持向量機(jī)的音樂(lè)流派分類,提出了一種基于SVM分類器的音樂(lè)流派自動(dòng)分類方法。該方法在特征選擇的過(guò)程中將過(guò)濾式特征選擇(Relif F) 法和封裝式特征選擇(SFS) 算法兩種算法結(jié)合在一起,結(jié)合SVM分類器進(jìn)行音樂(lè)流派分類,可以獲得較高的分類準(zhǔn)確率以及計(jì)算效率。
第6章基于K-近鄰的音樂(lè)流派自動(dòng)分類,提出了一種DW-KNN算法進(jìn)行音樂(lè)流派自動(dòng)分類。該算法在傳統(tǒng)KNN算法上進(jìn)行了兩方面的改進(jìn),可以有效地解決傳統(tǒng)KNN算法在分類過(guò)程中忽略屬性與類別的相關(guān)程度的問(wèn)題,以及在類別判斷過(guò)程中只考慮近鄰樣本的個(gè)數(shù)而忽略了近鄰樣本與待分類樣本之間存在的相似性差異的問(wèn)題。
第7章基于社交網(wǎng)絡(luò)與協(xié)同過(guò)濾的推薦算法,提出了一種將社交網(wǎng)絡(luò)與協(xié)同過(guò)濾相結(jié)合的音樂(lè)推薦算法,該算法將社交網(wǎng)絡(luò)中社交關(guān)系屬性融入了推薦系統(tǒng)中,彌補(bǔ)了傳統(tǒng)的協(xié)同過(guò)濾中沒(méi)有考慮社交屬性的缺陷,可以有效緩解無(wú)歷史行為數(shù)據(jù)用戶的冷啟動(dòng)問(wèn)題。
第8章基于用戶即時(shí)興趣的推薦算法,提出了一種基于用戶即時(shí)興趣的歌曲推薦算法,該算法基于用戶的即時(shí)行為進(jìn)行在線推薦,將一階馬爾可夫模型與協(xié)同過(guò)濾推薦思想相結(jié)合,構(gòu)造歌曲間的轉(zhuǎn)移概率矩陣用于生成推薦,同時(shí)考慮了時(shí)間因素對(duì)推薦結(jié)果的影響。
最后,值此書稿完成之際謹(jǐn)向所有給予我?guī)椭呐笥押图胰吮硎局孕牡母兄x!感謝機(jī)械工業(yè)出版社為本書付出不懈努力的工作人員和相關(guān)人士,是你們的專業(yè)使得本書順利出版!感謝朋友們提供無(wú)私的支持和幫助,與你們的探討與交流總是不斷地給我啟發(fā)和激勵(lì)!感謝家人對(duì)我的支持、理解、包容和鼓勵(lì),你們無(wú)私的愛(ài)給予我最大的支持和動(dòng)力!最后特別感謝我的女兒暄暄,感謝你在媽媽整天埋頭寫書沒(méi)有太多時(shí)間陪伴你的情況下,仍然最愛(ài)媽媽。寶貝,媽媽也最愛(ài)你!
吳梅梅
吳梅梅(1980—),工學(xué)博士,中國(guó)傳媒大學(xué)數(shù)據(jù)科學(xué)與智能媒體學(xué)院副教授,碩士生導(dǎo)師。長(zhǎng)期致力于大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)算法及網(wǎng)絡(luò)新媒體技術(shù)研究。近年來(lái)主持并參與了多項(xiàng)和省部級(jí)研究課題,發(fā)表過(guò)多篇SCI、EI論文,并擁有多項(xiàng)發(fā)明專利。
前言
第1章 機(jī)器學(xué)習(xí)簡(jiǎn)介1
1.1 機(jī)器學(xué)習(xí)的概念1
1.2 機(jī)器學(xué)習(xí)的發(fā)展2
。.3 機(jī)器學(xué)習(xí)的研究現(xiàn)狀3
1.3.1 傳統(tǒng)機(jī)器學(xué)習(xí)的研究現(xiàn)狀4
1.3.2 大數(shù)據(jù)環(huán)境下機(jī)器學(xué)習(xí)的研究現(xiàn)狀5
。.4 機(jī)器學(xué)習(xí)的分類5
1.4.1 有監(jiān)督學(xué)習(xí)6
1.4.2 無(wú)監(jiān)督學(xué)習(xí)7
1.4.3 半監(jiān)督學(xué)習(xí)8
1.4.4 強(qiáng)化學(xué)習(xí)9
。.5 本章小結(jié)11
第2章 音樂(lè)、數(shù)字音樂(lè)與網(wǎng)絡(luò)音樂(lè)12
2.1 音樂(lè)的藝術(shù)形式12
。.2 音樂(lè)的產(chǎn)生及發(fā)展14
2.3 音樂(lè)的要素15
。.4 音樂(lè)的存儲(chǔ)與表示17
2.4.1 數(shù)字音樂(lè)及其特點(diǎn)17
2.4.2 數(shù)字音樂(lè)文件的特點(diǎn)和格式19
。.5 網(wǎng)絡(luò)音樂(lè)的發(fā)展20
2.6 網(wǎng)絡(luò)音樂(lè)的特征22
。.7 本章小結(jié) 23
第3章 網(wǎng)絡(luò)音樂(lè)的分類與推薦基礎(chǔ) 24
3.1 基于內(nèi)容的音樂(lè)信息檢索24
3.1.1 音高與旋律25
3.1.2 音樂(lè)節(jié)奏26
。.1.3 音樂(lè)和聲 28
。.2 音樂(lè)的分類 29
。.2.1 按表達(dá)方式分類 30
3.2.2 按旋律風(fēng)格分類 31
。.2.3 從音樂(lè)的歷史角度分類 32
。.2.4 按音樂(lè)流派分類 36
。.3 網(wǎng)絡(luò)音樂(lè)的自動(dòng)分類 40
。.4 網(wǎng)絡(luò)音樂(lè)推薦算法綜述 42
。.5 本章小結(jié) 44
第4章 機(jī)器學(xué)習(xí)中的分類與推薦算法 45
。.1 樸素貝葉斯 45
。.2 決策樹(shù) 47
。.3。耄 50
。.4 支持向量機(jī) 51
4.5 人工神經(jīng)網(wǎng)絡(luò) 53
。.6 基于內(nèi)容的推薦 57
4.7 協(xié)同過(guò)濾推薦 60
。.8 基于馬爾可夫模型的推薦 62
4.9 混合推薦64
。.10 推薦算法評(píng)價(jià) 64
。.11 本章小結(jié) 66
第5章 基于支持向量機(jī)的音樂(lè)流派分類 67
5.1 音樂(lè)的數(shù)字描述 68
。.2 特征提取 70
。.2.1 數(shù)據(jù)預(yù)處理 71
。.2.2 聲學(xué)特征量 72
。.3 特征選擇77
。.3.1。遥澹欤椋澹妫疲罚
5.3.2 順序前進(jìn)法79
5.3.3。遥澹欤椋澹妫婆cSFS相結(jié)合的特征選擇算法80
。.4。樱郑头诸惼鳎福
5.4.1 線性可分支持向量機(jī)82
5.4.2 線性支持向量機(jī)83
5.4.3 非線性支持向量機(jī)85
5.4.4 數(shù)值求解87
5.4.5。遥澹欤椋澹妫-SFSSVM分類實(shí)現(xiàn)88
5.5 實(shí)驗(yàn)結(jié)果與分析88
。.5.1 實(shí)驗(yàn)工具88
5.5.2 數(shù)據(jù)集89
。.5.3 評(píng)價(jià)標(biāo)準(zhǔn)及驗(yàn)證方法89
5.5.4 實(shí)驗(yàn)方法89
。.5.5 實(shí)驗(yàn)結(jié)果及分析90
5.6 可擴(kuò)展性分析94
。.7 本章小結(jié)95
第6章 基于k-近鄰的音樂(lè)流派自動(dòng)推薦分類96
。.1。-近鄰算法的理論基礎(chǔ)96
。.1.1 k-近鄰算法96
6.1.2。-近鄰算法模型97
6.2 算法的實(shí)現(xiàn)步驟及復(fù)雜度分析99
。.3 DW-KNN算法99
6.3.1。耍危嗡惴ǖ母倪M(jìn)100
6.3.2 二次加權(quán)KNN (DW-KNN)分類算法102
。.4 實(shí)驗(yàn)結(jié)果與分析103
。.4.1 實(shí)驗(yàn)方法103
。.4.2 實(shí)驗(yàn)結(jié)果及分析104
。.5 可擴(kuò)展性分析107
6.6。遥澹欤椋澹妫-SFSSVM與DW-KNN的對(duì)比108
。.7 本章小結(jié)108
第7章 基于社交網(wǎng)絡(luò)與協(xié)同過(guò)濾的音樂(lè)推薦110
。.1 協(xié)同過(guò)濾推薦算法110
。.1.1 基于用戶的協(xié)同過(guò)濾推薦算法111
。.1.2 基于項(xiàng)目的協(xié)同過(guò)濾推薦算法111
。.1.3 基于用戶與基于項(xiàng)目的協(xié)同過(guò)濾推薦算法比較112
7.1.4 協(xié)同過(guò)濾中存在的問(wèn)題113
。.2。樱椋恚遥幔睿胨惴ǎ保保
7.2.1。樱椋恚遥幔睿胨惴ㄋ枷耄保保
。.2.2。樱椋恚遥幔睿胨惴鞒蹋保保
7.3 社交網(wǎng)絡(luò)的形成機(jī)制與表示方法116
7.4 構(gòu)建用戶的信任集合進(jìn)行推薦116
7.5 實(shí)驗(yàn)結(jié)果及分析118
。.5.1 數(shù)據(jù)獲取和數(shù)據(jù)集118
7.5.2 評(píng)價(jià)指標(biāo)119
。.5.3 實(shí)驗(yàn)結(jié)果分析120
7.6 本章小結(jié)121
第8章 基于用戶即時(shí)興趣的音樂(lè)推薦96
。.1 相關(guān)研究122
。.2 馬爾可夫模型理論基礎(chǔ)123
。.3 基于用戶即時(shí)行為的改進(jìn)一階馬爾可夫音樂(lè)推薦模型124
8.3.1 問(wèn)題描述124
。.3.2 指數(shù)衰減125
8.3.3 指數(shù)衰減的馬爾可夫模型125
。.3.4 協(xié)同過(guò)濾的一階馬爾可夫推薦126
。.4 實(shí)驗(yàn)結(jié)果與分析129
。.5 可擴(kuò)展性分析131
。.6 本章小結(jié)131
附錄132
附錄A ReliefF-SFSSVM分類參考代碼132
附錄B。模-KNN算法參考代碼134
附錄C 各分類算法的比較參考代碼140
參考文獻(xiàn) 145