主要研究内容与特色： (1) 利用文本挖掘和专家经验构建机器学习关键问题分析框架，总结机器学习在**大数据挖掘中面临的若干关键问题。 (2) 利用简约核构建面向不完整视角问题的**机器学习方法。 (3) 利用非对称损失函数构建面向类别不平衡问题的机器学习与深度学习方法。读者对象： 从事人工智能、机器学习、**大数据分析方向的学术界与工业界的相关人士。 （4）围绕不完整视角与类别不平衡这两个关键问题展开深入研究，有效提升了医学诊断的决策效率。

第1章 **大数据挖掘 1 1.1?**大数据 1 1.2 **大数据文献分析 4 1.2.1 数据准备 4 1.2.2 文本挖掘 5 1.2.3 专家经验 5 1.3 挖掘现状与关键问题 10 1.3.1 医学图像分类 10 1.3.2 医学图像检测 17 1.3.3 医学图像分割 20 1.3.4 医学图像生成 23 1.3.5 关键问题 25 第2章 机器学习问题 28 2.1 二分类问题 28 2.2 多分类问题 29 2.3 多标签分类问题 30 2.4 多视角分类问题 31 2.5 多示例分类问题 31 2.6 多任务分类问题 33 2.7 迁移学习问题 34 2.8 弱监督分类问题 34 2.9 数据生成问题 35 第3章 机器学习方法 37 3.1 传统机器学习方法 37 3.1.1 k近邻 37 3.1.2 朴素贝叶斯 38 3.1.3 决策树 40 3.1.4 随机森林 41 3.1.5 自适应增强 41 3.1.6 支持向量机 42 3.2 深度学习方法 44 3.2.1 CNN 44 3.2.2 RNN 46 3.2.3 GAN 46 第4章 多视角学习 48 4.1 多视角学习方法 48 4.1.1 基于完整视角的学习方法 48 4.1.2 基于不完整视角的学习方法 50 4.2 基础模型 53 4.2.1 RSVM 53 4.2.2 PSVM-2V 54 4.3 RPSVM-2V 55 4.4 理论分析 58 4.5 拓展模型 60 4.5.1 RSVM-2K 60 4.5.2 RMKL 62 4.6 实验分析 64 4.6.1 实验设置 64 4.6.2 实��结果 65 4.6.3 参数敏感性分析 71 4.6.4 谱分析 74 第5章 类别不平衡学习（一） 77 5.1 类别不平衡学习方法 77 5.1.1 采样 77 5.1.2 代价敏感学习 78 5.1.3 集成学习 79 5.2 DEC 81 5.3 修正Stein损失函数 81 5.4 CSMS 83 5.5 理论分析 86 5.6 模型优化 86 5.7 实验分析 88 5.7.1 实验设置 88 5.7.2 实验结果 89 5.7.3 参数敏感性分析 93 5.7.4 收敛性分析 93 第6章 类别不平衡学习（二） 98 6.1 v-SVM 98 6.2 LINEX损失函数 99 6.3 v-CSSVM 99 6.4 理论分析 101 6.5 模型优化 102 6.5.1 ADMM 102 6.5.2 GD 104 6.6 实验分析 105 6.6.1 实验设置 105 6.6.2 实验结果 106 6.6.3 参数敏感性分析 109 6.6.4 收敛性分析 110 第7章 类别不平衡学习（三） 113 7.1 深度学习中的类别不平衡损失函数 113 7.1.1 WCE 114 7.1.2 FL 114 7.1.3 其他 115 7.2 深度LINEX损失函数 116 7.2.1 BC-LINEX 116 7.2.2 MC-LINEX 117 7.2.3 损失函数比较 119 7.3 模型优化 120 7.3.1 BC-LINEX权重更新 120 7.3.2 MC-LINEX权重更新 121 7.4 实验分析 122 7.4.1 实验设置 122 7.4.2 实验结果 125 7.4.3 参数敏感性分析 130 附录A 132 A.1 定理4.1证明 132 A.2 定理4.2证明 132 A.3 第4章附表 135 附录B 148 B.1 第5章附表 148 附录C 150 C.1 定理6.1证明 150 C.2 第6章附表 152 参考文献 155