基于复杂网络的机器学习方法_[巴西]迪亚戈·克里斯蒂亚诺·席尔瓦（Thiago Christiano Silv_9787111611493

本书结合两个重要和流行的研究领域：复杂网络和机器学习，不仅包括基础背景知识，还包含近期*新的研究进展。书中包括大量插图和例题帮助读者理解主要思想和实现细节。

机器学习是计算机科学的一个重要研究领域之一，主要指计算机利用已有的经验来获得学习能力的一种计算方法。虽然已经有众多的机器学习方法被提出并且在各类实际系统中成功应用，但是仍然有很多挑战性的问题需要解决。在过去的几年里，基于复杂网络（大规模的具有复杂连接模式的图）的机器学习方法越来越受到关注。该方法的出现是因为其具有内在的优点，即数据表示是基于网络特性的，能有效捕获数据的空间、拓扑和功能关系。本书介绍了在机器学习领域复杂网络理论的特性和优势。在前七章，我们首先介绍机器学习和复杂网络的一些基本概念，提供必要的背景知识。然后，简要描述基于网络的机器学习技术。在后三章，我们将介绍一些基于网络的监督学习、无监督学习和半监督学习方法，并提供详细的案例分析。特别是，针对无监督和半监督学习，我们探讨了使用随机非线性动力系统的粒子竞争技术。同时，分析了竞争系统内的各类影响因素，以确保该技术的有效性。另外，对于学习系统存在的不完善性，比如半监督学习的数据可靠性问题，可以采用竞争机制来消除训练数据集的缺陷。识别并预防误差传播具有重要的实际意义，但文献中关于这方面的研究很少。在案例分析中，我们提出了一个结合低阶和高阶的混合监督分类技术，低阶项通过传统的分类方法实现，而高阶项通过提取由输入数据构造的底层网络的特征实现。换句话说，其主要思路是低阶项利用数据的物理特征实现测试样本的分类，而高阶项进行测试样本模式的一致性检验。可以看出，该技术可以根据数据的语义特征实现样本分类。
本书旨在融合两个目前被广泛研究的领域：机器学习和复杂网络。所以，我们希望本书能在科学界引起更多学者的兴趣。本书是自成体系的，介绍基于网络的机器学习技术的建模、分析和应用，不仅包含两个领域的基础知识，还介绍了一些新的研究成果，主要面向对机器学习和复杂网络感兴趣的研究人员和学生。对于每一个可探索的话题，我们还提供了相应的参考文献。此外，众多的说明性图例也可以帮助读者理解各类方法的主要思路和实现细节。
致谢感谢Marcos Gonalves Quiles博士、Fabricio Aparecido Breve博士、Joo Roberto Bertini Jr博士、Thiago Henrique Cupertino博士、Andrés Eduardo Coca Salazar博士、Bilz Marques de Araújo博士、Thiago Ferreira Coves博士、Elbert Einstein Nehrer Macau博士、Alneu Andrade Lopes博士、Xiaoming Liang博士、Zonghua Liu博士、Antonio Paulo Galdeano Damiance Junior先生、Tatyana Bitencourt Soares de Oliveira女士、Lilian Berton女士、Jean Pierre Huertas Lopez先生、Murillo Guimares Carneiro先生、Leonardo Nascimento Ferreira先生、Fabio Willian Zamoner先生、Roberto Alves Gueleri先生、Fabiano Berardo de Sousa先生、Filipe Alves Neto Verri先生和Paulo Roberto Urio先生过去的几年里在该领域内的合作。感谢Jorge Nakahara Jr博士仔细审阅了本书，并在整个出版过程中给予我们持续支持。感谢YingCheng Lai博士引导我们进入迷人的复杂网络研究领域。感谢Hamlet Pessoa Farias Junior先生和Victor Dolirio Ferreira Barbosa先生热烈的讨论成果。也要感谢Joo Eliakin Mota de Oliveira先生为我们提供了两张图。同时，感谢巴西圣保罗大学数学与计算机科学研究所（ICMC）和里贝朗普雷图分校哲学、科学与文学学院，以及巴西中央银行的大力支持。最后，感谢巴西圣保罗研究基金会（FAPESP）、巴西国家科学技术发展委员会（CNPq）和巴西高等教育基金会（CAPES）为我们的研究工作提供资金支持。
Thiago Christiano SilvaLiang Zhao巴西，巴西利亚和里贝朗普雷图2015年11月

我要评论