濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴f閺嬩線鏌熼梻瀵割槮缁惧墽绮换娑㈠箣閻戝棛鍔┑鐐村灦閻燂箓宕曢悢鍏肩厪濠电偛鐏濋崝姘舵煟鎼搭喖寮慨濠冩そ瀹曟鎳栭埞鍨沪闂備礁鎼幊蹇曞垝瀹€鍕仼闁绘垼妫勯拑鐔兼煏婢舵稓鐣遍柍褜鍓涢弫濠氬蓟閵娿儮鏀介柛鈩冧緱閳ь剚顨婇弻锛勨偓锝庡亞閵嗘帞绱掓潏銊ユ诞闁糕斁鍋撳銈嗗笒鐎氼剛澹曢崗鍏煎弿婵☆垰鐏濇禍褰掓煕閻愬灚鏆柡宀嬬秮閹晠鎮滃Ο绯曞亾閸愵喗鍋i柍褜鍓熼弫鍐焵椤掆偓瀹撳嫰姊洪崨濠勨槈閺嬵亜霉濠婂嫮鐭掗柡灞诲姂瀵潙螖閳ь剚绂嶆ィ鍐╁€垫繛鍫濈仢閺嬫稑顭胯闁帮綁鐛幋锕€顫呴柣姗嗗亝閺傗偓闂佽鍑界紞鍡樼鐠烘í缂氬┑鐘叉处閳锋垹绱撴担鍏夋(妞ゅ繐瀚烽崵鏇㈡偣閾忚纾柟鐑橆殔缁犳盯鏌eΔ鈧悧鍐箯濞差亝鈷掗柛灞炬皑婢ф稓绱掔€n偄娴鐐寸墵楠炲洭顢橀悩娈垮晭闁诲海鎳撴竟濠囧窗閺嶎厾宓侀柡宥庡幗閻撶喖鏌ㄥ┑鍡樺櫣婵¤尙绮妵鍕敃閿濆洨鐣奸梺鍦嚀鐎氫即骞栬ぐ鎺撳仭闁哄娉曢鍥⒒閸屾艾鈧娆㈠璺虹劦妞ゆ帒鍊告禒婊堟煠濞茶鐏¢柡鍛板煐鐎佃偐鈧稒岣块崢鐐繆閵堝繒鐣虫繛澶嬫礈閼洪亶宕稿Δ浣哄帾闂佹悶鍎崝灞炬叏瀹ュ棭娈介柣鎰綑濞搭喗顨ラ悙宸剶闁诡喗绮撳畷鍗烆潨閸℃﹫绱欓梻鍌氬€搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偞鐗犻、鏇氱秴闁搞儺鍓﹂弫宥夋煟閹邦厽缍戦柍褜鍓濋崺鏍崲濠靛顥堟繛鎴炶壘椤e搫顪冮妶鍐ㄥ姕鐎光偓閹间礁钃熸繛鎴旀噰閳ь剨绠撻獮瀣攽閸モ晙绨┑鐘殿暯閸撴繆銇愰崘顔藉亱闁规崘顕ч拑鐔兼煥閻斿搫孝缂佲偓閸愵喗鐓冮柛婵嗗閳ь剚鎮傚鍐参旈崨顔规嫼婵炴潙鍚嬮悷褏绮旈鈧湁婵犲﹤楠告晶鐗堜繆閸欏濮嶆鐐村笒铻栭柍褜鍓氶崕顐︽煟閻斿摜鐭婇梺甯到椤曪綁骞庨挊澶屽幐闂佸憡鍔︽禍鐐烘晬濠婂牊鐓涘璺猴功婢ф垿鏌涢弬璺ㄐч挊鐔兼煕椤愮姴鍔滈柣鎾寸☉闇夐柨婵嗙墱濞兼劗鈧娲栭惌鍌炲蓟閳╁啯濯撮悷娆忓绾炬娊姊烘潪鎵妽闁圭懓娲顐﹀箻缂佹ɑ娅㈤梺璺ㄥ櫐閹凤拷 [闂傚倸鍊搁崐鎼佸磹閹间礁纾圭€瑰嫭鍣磋ぐ鎺戠倞妞ゆ帊绀侀崜顓烆渻閵堝棗濮х紒鐘冲灴閻涱噣濮€閵堝棛鍘撻柡澶屽仦婢瑰棝宕濆鍡愪簻闁哄倸鐏濋顐ょ磼鏉堛劍宕岀€规洘甯掗~婵嬵敄閽樺澹曢梺鍛婄缚閸庢娊鎯屽▎鎾寸厱闁哄洢鍔岄悘鐘电磼閻欌偓閸ㄥ爼寮婚妸鈺傚亞闁稿本绋戦锟� | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌ら崫銉︽毄濞寸姵姘ㄧ槐鎾诲磼濞嗘帒鍘$紓渚囧櫘閸ㄨ泛鐣峰┑鍠棃宕橀妸銉т喊闂備礁鎼崯顐︽偋婵犲洤纾瑰┑鐘崇閻撱垺淇婇娆掝劅婵″弶鎮傞弻锝嗘償椤旂厧绫嶅┑顔硷龚濞咃絿鍒掑▎鎾崇閹兼番鍨虹€氭娊姊绘担铏广€婇柡鍛洴瀹曨垶寮堕幋顓炴闂佸綊妫跨粈渚€宕橀埀顒€顪冮妶鍡樺暗闁哥姵鎹囧畷銏ゎ敂閸涱垳鐦堥梺姹囧灲濞佳勭濠婂牊鐓熼煫鍥ㄦ⒒缁犵偟鈧娲樼换鍌烇綖濠靛鍤嬮柣銏ゆ涧楠炴劙姊绘担鍛靛綊寮甸鍕┾偓鍐川椤旂虎娲搁梺璺ㄥ櫐閹凤拷]

    • 鲁棒自适应机器学习方法及应用/云计算和大数据系列丛书
      • 作者:张佳铭|责编:王荣
      • 出版社:武汉大学
      • ISBN:9787307245297
      • 出版日期:2024/10/01
      • 页数:198
    • 售价:19.6
  • 内容大纲

        本书将最优控制方法融入机器学习的研究中,创新地建立了一个基于最优反馈控制在线学习框架,并在该框架下提出了一系列用于解决线性和非线性的分类与回归问题的鲁棒自适应学习算法;构建了基于最优控制的鲁棒在线学习架构,分别讨论该架构下的线性回归、二分类和多分类问题,并且将线性问题的架构拓展到非线性回归与分类问题;提出了基于控制的深度学习优化器CSGC,基于深度学习的思想,提出了一种深度学习视角下的样本选择模型。
        本书提出的算法体系拓展至当下热门的深度学习领域,成功应用于图像识别和文本分类等复杂任务,为解决现实世界的复杂问题提供了新的工具和方法。此外,本书将改进的深度学习算法与传统微观计量模型相结合,从全新视角探讨了样本选择问题,为机器学习与计量经济学的交叉融合研究提供了有益的参考和启示。
  • 作者介绍

        张佳铭,中南财经政法大学统计与数学学院讲师,硕士生导师。毕业于中南财经政法大学,获经济学博士学位。主要研究领域:生成式机器学习、深度学习与计量经济交叉领域、机器学习理论与算法。近年来的研究成果在Neural Networks、IEEE Transactions on Neural Networks and Learning Systems、Pattern Recognition和Knowledge-Based Systems等数据科学重要期刊上发表。参与多项国家自然科学基金青年项目、国家社会科学基金面上项目,主持一项教育部人文社科青年项目。
  • 目录

    第1章  导论
      1.1  研究背景
      1.2  研究意义
        1.2.1  理论意义
        1.2.2  现实意义
      1.3  研究现状
        1.3.1  在线线性学习
        1.3.2  在线核学习
        1.3.3  基于控制的机器学习方法
        1.3.4  深度学习
        1.3.5  经济学研究中的机器学习
        1.3.6  文献评述
      1.4  研究方法与内容结构
        1.4.1  研究方法
        1.4.2  内容结构与组织
      1.5  研究创新之处
    第2章  背景知识
      2.1  线性学习
        2.1.1  线性模型与在线学习
        2.1.2  线性模型的梯度算法
      2.2  核学习
        2.2.1  重构核模型
        2.2.2  在线核学习算法
      2.3  最优控制方法
        2.3.1  最优控制的基本概念
        2.3.2  离散时间线性二次型最优控制问题
        2.3.3  最优控制与在线学习
      2.4  深度学习
        2.4.1  神经网络模块
        2.4.2  训练方法
    第3章  基于最优控制的鲁棒在线学习算法
      3.1  回归模型
        3.1.1  误差反馈系统
        3.1.2  基于最优控制的在线回归问题
        3.1.3  最优控制解法
      3.2  二分类与多分类模型
        3.2.1  鲁棒在线二分类问题
        3.2.2  鲁棒在线多分类问题
      3.3  实验对比和分析
        3.3.1  迭代法估计回归系数:基于模拟数据
        3.3.2  极分解法的在线回归任务:基于模拟数据
        3.3.3  极分解法的在线回归任务:基于真实数据
        3.3.4  极分解法的在线二分类任务:基于模拟数据
        3.3.5  极分解法的在线二分类任务:基于真实数据
        3.3.6  极分解法的在线多分类任务:基于DNA数据集
      3.4  本章小结
    第4章  基于最优控制的鲁棒核学习算法
      4.1  固定带宽核回归算法
        4.1.1  误差反馈系统
        4.1.2  基向量选择与OKLQR算法

      4.2  自适应变带宽核回归算法
        4.2.1  误差反馈系统
        4.2.2  状态反馈控制与OAKL算法
        4.2.3  OAKL的收敛性分析
      4.3  自适应变带宽核分类算法
        4.3.1  误差反馈系统
        4.3.2  状态反馈控制与CAOKC算法
        4.3.3  CAOKC的相关理论分析
      4.4  实验对比和分析
        4.4.1  固定带宽核回归的数值实验
        4.4.2  自适应带宽核回归的数值实验
        4.4.3  自适应带宽核分类的数值实验
      4.5  本章小结
    第5章  鲁棒深度学习优化器
      5.1  基于控制的随机梯度收缩方法
        5.1.1  问题提出与学习框架
        5.1.2  损失动力学系统与学习策略
      5.2  CSGC方法相关理论分析
        5.2.1  合理性
        5.2.2  收敛性分析
      5.3  CSGC训练的深度学习模型
        5.3.1  训练全连接网络
        5.3.2  训练卷积神经网络与循环神经网络
        5.3.3  加入动量项的CSGC
      5.4  实验对比和分析
        5.4.1  超参数设定
        5.4.2  多层全连接神经网络:基于MNIST数据集
        5.4.3  卷积神经网络:基于CIFAR-10数据集
        5.4.4  循环神经网络:基于IMDB数据集
      5.5  本章小结
    第6章  深度样本选择网络
      6.1  样本选择模型简介
        6.1.1  Tobit-Ⅰ模型
        6.1.2  Tobit-Ⅱ模型
      6.2  深度样本选择网络构建与估计
        6.2.1  Tobit-Ⅰ网络构建与估计
        6.2.2  Tobit-Ⅱ网络构建与估计
      6.3  显著性检验
        6.3.1  Tobit-Ⅰ网络显著性检验
        6.3.2  Tobit-Ⅱ网络显著性检验
      6.4  实验对比与分析
        6.4.1  Tobit-Ⅰ网络数值实验
        6.4.2  Tobit-Ⅱ网络数值实验
        6.4.3  Tobit-Ⅰ网络实证分析:基于CHFS数据
        6.4.4  Tobit-Ⅱ网络实证分析:基于CHNS数据
      6.5  本章小结
    第7章  结论与展望
      7.1  主要结论
      7.2  研究不足与展望
    参考文献