協(xié)作社群形成與演化機制：理論與算法

定　價：￥15.00

作　者：	許駿、柳泉波、史美林
出版社：	科學出版社
叢編項：
標　簽：	算法

購買這本書可以去

當當網(wǎng) (￥7.50)

ISBN：	9787030152374	出版時間：	2005-03-01	包裝：	精裝
開本：	32開	頁數(shù)：	134	字數(shù)：

內(nèi)容簡介

　　協(xié)作社群形成與演化機制是CSCW/CSCL研究的新課題，本書嘗試從可計算角度研究協(xié)作問題，將統(tǒng)計學習理論、支持向量機與核函數(shù)方法（這已被視為研究機器學習問題的一種基本框架）引入?yún)f(xié)作機制研究，從理論與算法兩方面研究以相似關(guān)系為基礎(chǔ)的協(xié)作社群形成與演化機制。首先分析了線性可分數(shù)據(jù)的兩類分類問題，推導(dǎo)出最優(yōu)硬間隔超平面（即硬間隔支持向量機）優(yōu)化問題的原始形式和對偶形式，進一步推導(dǎo)出最優(yōu)軟間隔超平面和直推式最優(yōu)超平面對應(yīng)的優(yōu)化問題，討論了優(yōu)化問題的求解算法。其次討論了最優(yōu)超平面的最優(yōu)性數(shù)學理論基礎(chǔ)，研究了線性不可分數(shù)據(jù)分類學習問題的核函數(shù)方法。接著介紹實現(xiàn)CRA系統(tǒng)的關(guān)鍵技術(shù)、仿真實驗以及對實驗結(jié)果的討論。最后指出需要進一步研究的若干問題。本書適合高等學校計算機、自協(xié)化、人工智能、模式識別等專業(yè)的教師和研究生閱讀，也可作為相關(guān)領(lǐng)域科技工作者的參考書。

作者簡介

　　許駿，男，1957年7月生，博士，教授。清華大學計算機科學與技術(shù)系博士后。1974年7月高中畢業(yè)下鄉(xiāng)插隊；1978年2月進入中山大學物理系無線電物理專業(yè)學習，1982年2月起在廣東江門無線電三廠工作；1986年9月至1988年1月在中山大學電子系數(shù)字通信專業(yè)研究生課程班學習；1988年2月起在廣東佛山市工作，先后在高校和企業(yè)從事計算機應(yīng)用研究與教學工作。203年1月進入清華大學計算機科學與技術(shù)系博士后流動站，主要從事計算機網(wǎng)絡(luò)技術(shù)及應(yīng)用研究。近年來領(lǐng)導(dǎo)研究團隊在測評自動化、網(wǎng)絡(luò)計算機以及計算機支持的協(xié)同工作研究等做了開創(chuàng)性工作，研究工作躋身國際行進水平。史美林教授，男，1938生，浙江余姚人。1956年畢業(yè)于浙江余姚中學（1950：1956）。1962年畢業(yè)于清華大學自動控制系計算機專業(yè)（1956：1962）。德國洪堡（AlexandervonHumboldtStiftung）研究基金學者。1980.09-1982.12獲德國洪堡研究獎學金，在德國斯圖加特大學信息所（系）從事計算機操作系統(tǒng)、計算機網(wǎng)絡(luò)的研究。1993.05：1994.02由國家教委派遣，同時再獲洪堡研究獎學金，赴德國國家信息研究中心GMD的達姆斯塔德市（Darmstadt）通信研究所，作為客座高級研究員從事計算機網(wǎng)絡(luò)和多媒體應(yīng)用技術(shù)的研究。1996.：2002期間又有三次作為客座教授赴該所從事CSCW方面的研究工作。

圖書目錄

序言
前言
符號約定
引論
0.1 協(xié)作研究
0.2 協(xié)作社群
0.3 研究內(nèi)容
0.4 本書結(jié)構(gòu)
第1章優(yōu)化理論
1.1 數(shù)學預(yù)備知識
1.2 最優(yōu)性條件
1.3 拉格朗日對偶性
第2章線性學習機器
2.1 最優(yōu)超平面原始問題
2.2 最優(yōu)超平面對偶問題
2.3 優(yōu)化算法
第3章統(tǒng)計學習理論和核方法
3.1 統(tǒng)計學習理論
3.2 核方法
第4章系統(tǒng)原型與仿真實驗
4.1 即時通信
4.2 文獻處理
4.3 實驗結(jié)果
結(jié)束語
附錄A 背景知識
Table of Contents
Foreword
Preface
Notation and Symbols
Introduction
0.1 Researches on Collaboration
0.2 Online Collaboration Communities
0.3 Goals
0.4 Structure of This Book
Chap. 1 Optimization Theory
1.1 Concepts
1.2 Optimality Conditions
1.3 Lagrangian Duality
Chap. 2 Linear Learning Machines
2.1 Primal-Form Maximal-Margin Classifiers
2.2 Dual-Form Maximal-Margin Classifiers
2.3 Solving Algorithms
Chap.3 Statistical Learning Theory and Kernel Methods
3.1 Statistical Learning Theory
3.2 Kernel Methods
Chap.4 Experiment Results and Implementations
4.1 Instant Messenging
4.2 Text Processing
4.3 Experiment Results
Conclusions
A Mathematical Prerequisites
A. 1 Linear Algebra
A. 2 Analysis
B A Typical MSNFTP Session
B. 1 Invitation Stage
B. 2 File Transfer Stage
Bibliography
Index of Graphs and Tables
Index of Algorithms and Theorems
Index of Terms