近年來隨著計算機技術(shù)的快速發(fā)展，機器學(xué)習(xí)被廣泛應(yīng)用于信息檢索、自然語言處理、計算機視覺及自動化控制等方面。由于機器學(xué)習(xí)在實際應(yīng)用中對不同問題所提供的條件各不相同，如含有標(biāo)簽信息的數(shù)據(jù)、不含標(biāo)簽信息的數(shù)據(jù)等，針對不同的數(shù)據(jù)類型有多種解決方法：監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)。本書針對監(jiān)督和無監(jiān)督學(xué)習(xí)方法進行理論的概述、模型的改進和應(yīng)用領(lǐng)域的探究。
針對監(jiān)督概率主題模型的研究，本書將文本分析作為研究的重點，文本分析起源于20世紀50年代，然而其取得突破性進展則是在1990年后隨著機器學(xué)習(xí)及其它相關(guān)技術(shù)的發(fā)展而獲得的。文本分析是指通過擴展和應(yīng)用數(shù)據(jù)挖掘、機器學(xué)習(xí)的相關(guān)方法，從各種文本數(shù)據(jù)中提取、挖掘有用信息的過程。通常人工撰寫的各種文本語料都是將各種文本語義進行復(fù)雜的抽象概念轉(zhuǎn)換的結(jié)果。其中包含的各種抽象概念被定義為“主題”，文檔的寫作過程即根據(jù)這些主題對文檔進行相應(yīng)的文字描述、加工的過程。而文本分析的主要任務(wù)是對文檔中的文字進行有效的分析，與文章寫作相反的過程對文檔中包含的各種主題信息進行識別，從而獲得計算機可以解釋的文檔主題，為基于文檔分析的信息檢索、信息提取、自然語言處理等任務(wù)提供可靠的依據(jù)。
針對無監(jiān)督聚類模型的研究，本書主要涉及并行優(yōu)化、行人重識別、圖像識別領(lǐng)域的應(yīng)用。