本书共9章，主要针对机器学习中监督与无监督学习的相关方法及应用领域进行研究，从主题模型、并行优化、行人重识别、图像识别的角度进行分析和介绍。第1章对监督概率主题模型和无监督聚类模型的研究背景进行详细介绍，从实际应用和技术方面两个角度详细介绍其中的研究和应用价值。第2章介绍面向文档表示的监督主题模型，主要包含两种改进的思路，即基于文档生成过程的监督模型和面向学术搜索的监督模型。第3章介绍面向文本分析的半监督主题模型。第4章针对单机环境下频繁模式增长算法无法满足大规模数据计算任务的问题，介绍面向并行优化的无监督学习模型。第5章介绍面向选址问题的无监督学习模型。第6章介绍面向特征融合的无监督学习模型。第7章介绍面向视图分析的无监督学习模型。第8章介绍面向数据处理的无监督学习模型。第9章介绍面向样本分析的无监督学习模型。

第1章 绪论
1.1 研究背景及意义
1.2 研究内容
1.3 研究方法与研究框架
第2章 面向文档表示的监督主题模型
2.1 研究综述
2.2 理论基础
2.3 共享背景主题的隐含狄利克雷分配模型
2.4 融合上游和下游监督方法的主题模型
2.5 总结与展望
第3章 面向文本分析的半监督主题模型
3.1 研究综述
3.2 理论基础
3.3 受限玻尔兹曼机的半监督主题模型
3.4 总结与展望
第4章 面向并行优化的无监督学习模型
4.1 研究综述
4.2 理论基础
4.3 并行优化的频繁模式增长算法模型
4.4 总结与展望
第5章 面向选址问题的无监督学习模型
5.1 研究综述
5.2 理论基础
5.3 改进K均值聚类算法的候车点选址模型
5.4 总结与展望
第6章 面向特征融合的无监督学习模型
6.1 研究综述
6.2 理论基础
6.3 改进人工鱼群算法的权重优化模型
6.4 基于多尺度视网膜皮层理论的局部最大化特征模型
6.5 总结与展望
第7章 面向视图分析的无监督学习模型
7.1 研究综述
7.2 理论基础
7.3 改进核交叉二次判别分析模型
7.4 无监督的非对称度量学习模型
7.5 总结与展望
第8章 面向数据处理的无监督学习模型
8.1 研究综述
8.2 理论基础
8.3 度量学习的稀疏子空间聚类模型
8.4 自动权重学习的深度子空间聚类模型
8.5 总结与展望
第9章 面向样本分析的无监督学习模型
9.1 研究综述
9.2 理论基础
9.3 对抗性学习的深度子空间聚类模型
9.4 自适应自步学习的深度子空间聚类模型
9.5 总结与展望
参考文献
附录