详情
结构化表征学习是机器学习研究的核心问题之一，旨在探索如何从高维可观测数据中获取有效的结构化信息表示，以实现高精度、鲁棒、快速的数据分析，是由数据到知识的关键渠道。本书重点介绍如何从具有不确定性的海量大媒体数据中挖掘和提取结构化、鲁棒、高效的特征，并实现高性能的信息挖掘和知识推断。本书内容包含近年来涌现的一些高效、鲁棒的结构化表征学习模型，介绍了基于鲁棒且紧凑的表征学习的一体化表征学习理论和方法，并为应对真实世界中的数据分析任务，如数据简约特征表达、紧凑特征压缩、有效特征筛选以及隐含知识挖掘等，提供了较为全面且切实可靠的解决方案。
本书作者所在的团队多年来一直从事机器学习、计算机视觉、多媒体分析的研究，承担过众多国家级和省部级科研项目，具备从理论研究到工程应用的相关基础。本书是对作者近五年研究成果的总结和梳理，书中介绍的理论和方法能够很好地和实际应用结合在一起，行文流畅易读，适合具有一定专业基础的高年级本科生、研究生，以及相关领域的科研工作者和工程师阅读。
