本书以机器学习中的分类问题为基础，以最优化为工具，阐述机器学习中的基本概念和经典学习问题，并围绕这些学习问题，介绍相关研究成果，重点阐明其研究背景和逻辑思路，并由此扩展到国内外最新研究进展。主要内容包括：支持向量机、优化算法、损失函数、正则技术，以及多视角学习、多标签学习、多示例学习、多任务学习和度量学习等。 本书可作为机器学习领域研究生的扩充阅读资料，也可作为相关专业教师和科研人员的参考书

前言
第1章 支持向量机
1.1 分类问题与标准支持向量机
1.1.1 分类问题
1.1.2 C-支持向量机
1.1.3 最小二乘支持向量机
1.2 超平面非平行的支持向量机
1.2.1 双子支持向量机
1.2.2 非平行超平面支持向量机
1.3 拓展阅读
1.3.1 二分类支持向量机及其拓展
1.3.2 多分类支持向量机及其拓展
参考文献
第2章 优化算法
2.1 确定型优化算法
2.1.1 序列最小最优化算法
2.1.2 交替方向乘子算法
2.1.3 坐标下降算法
2.1.4 逐次超松弛迭代算法
2.1.5 凸函数差分算法
2.1.6 原始估计次梯度算法
2.1.7 截断牛顿共轭梯度算法
2.2 随机型优化算法
2.2.1 梯度下降算法
2.2.2 方差缩减算法
2.2.3 加速算法
2.2.4 自适应学习速率算法
2.2.5 高阶算法
2.2.6 邻近算法
2.3 拓展阅读
2.3.1 应用领域
2.3.2 随机型优化算法的拓展
参考文献
第3章 损失函数
3.1 分类问题的损失函数
3.1.1 损失函数
3.1.2 总结与分析
3.2 回归问题的损失函数
3.2.1 损失函数
3.2.2 总结与分析
3.3 无监督问题的损失函数
3.3.1 损失函数
3.3.2 总结与分析
3.4 拓展阅读
3.4.1 目标检测中的损失函数
3.4.2 人脸识别中的损失函数
3.4.3 图像分割中的损失函数
参考文献
第4章 正则技术
4.1 向量稀疏正则
4.1.1 应用场景
4.1.2 正则项
4.1.3 总结与分析
4.2 矩阵稀疏正则
4.2.1 应用场景
4.2.2 正则项
4.2.3 总结与分析
4.3 矩阵低秩正则
4.3.1 应用场景
4.3.2 正则项
4.3.3 总结与分析
4.4 拓展阅读
4.4.1 数据增强
4.4.2 Dropout
4.4.3 归一化
参考文献
第5章 多视角学习
5.1 多视角学习问题与处理原则
5.2 两视角支持向量机SVM-2K
5.3 基于特权信息学习理论的两视角支持向量机
5.3.1 模型构建
5.3.2 理论分析
5.4 拓展阅读
5.4.1 协同训练
5.4.2 多核学习
5.4.3 子空间学习
5.4.4 深度多视角学习
参考文献
第6章 多标签学习
6.1 多标签学习问题与评价指标
6.1.1 多标签分类问题
6.1.2 多标签学习的评价指标
6.2 多标签学习的经典算法
6.2.1 二元关联
6.2.2 排序支持向量机
6.3 考虑标签相关性的代价敏感多标签学习
6.3.1 模型构建
6.3.2 模型求解
6.3.3 理论分析
6.4 拓展阅读
6.4.1 传统多标签学习
6.4.2 深度多标签学习
参考文献
第7章 多示例学习
7.1 多示例学习问题
7.2 多示例支持向量机
7.3 稀疏多示例支持向量机
7.3.1 模型构建
7.3.2 模型求解
7.4 拓展阅读
7.4.1 常见算法
7.4.2 深度多示例学习算法
7.4.3 与其他学习范式结合
参考文献
第8章 多任务学习
8.1 多任务学习问题
8.2 多任务支持向量机
8.3 多任务特征选择
8.3.1 模型构建
8.3.2 模型求解
8.3.3 理论分析
8.4 拓展阅读
8.4.1 传统多任务学习
8.4.2 深度多任务学习
8.4.3 与其他学习范式结合
参考文献
第9章 度量学习
9.1 度量学习问题
9.1.1 距离
9.1.2 度量学习问题
9.2 全局与局部度量学习
9.2.1 全局度量学习
9.2.2 局部度量学习
9.3 基于特征分解的度量学习
9.3.1 全局算法
9.3.2 局部算法
9.3.3 比较与分析
9.4 拓展阅读
9.4.1 传统度量学习
9.4.2 深度度量学习
参考文献
索引