《高维数据的特征学习》是根据国家青年基金、重庆市科委、重庆市教委的专项研究结果，系统全面地阐述了最新的高维数据特征学习理论及相应算法。主要通过大间隔理论、迹比(trace-ratio)理论、自动编码、稀疏编码等方法来研究高维数据（如图像，基因等）的特征选择，特征变换，特征提取等内容。本书将理论与应用相结合，通过引入最新的分布式算法和并行算法来解决在大规模高维数据集特征学习算法的有效性、可用性。

1 基本概念
1．1 特征选择
1．1．1 相关特征
1．1．2 冗余特征
1．2 特征变换
1．3 特征提取
1．3．1 尺度不变特征变换
1．3．2 方向梯度直方图
1．4 本章小结
1．5 本书的组织
2 特征选择及相关技术研究现状
2．1 传统特征选择的研究现状
2．1．1 生成特征子集
2．1．2 评价特征子集
2．2 监督特征选择算法研究现状
2．2．1 过滤式特征选择算法
2．2．2 绑定式
2．2．3 嵌入式特征选择算法
2．3 本章小结
3 组稀疏子空间的大间隔特征选择
3．1 模型的基本思想
3．1．1 大间隔学习
3．1．2 组稀疏子空间学习
3．2 模型的建立与实现
3．2．1 模型的建立
3．2．2 目标函数的求解
3．3 算法收敛性分析
3．4 本章小结
4 Trace Ratio- 组稀疏子空间的大间隔特征选择
4．1 模型建立的基本思想
4．2 模型建立及算法的实现
4．2．1 模型的建立
4．2．2 TR-GSLM算法的求解过程
4．2．3 TR-GSLM算法的收敛性分析
4．3 本章小结
5 高效的Trace：Ratio-组稀疏子空间的大间隔特征选择
5．1 模型建立的基本思想
5．2 ETR-GSLM算法实现过程
5．3 ETR-GSLM收敛性分析
5．4 实验分析
5．4．1 实验数据集及环境
5．4．2 参与比较的算法
5．4．3 基于分类精度的特征选择算法性能比较
5．4．4 平均分类精度的比较
5．4．5 提取前30％和60％的特征的分类精度比较
5．4．6 参数的敏感性分析与比较
5．4．7 算法的效率比较
5．4．8 实验小结
5．5 本章小结
6 无监督的特征选择
6．1 无监督特征选择的分类
6．2 过滤式无监督特征选择
6．2．1 Laplacian评分
6．2．2 谱分解的特征选择算法
6．3 嵌入式无监督特征选择
6．3．1 将结构信息与机器学习算法结合
6．3．2 结构信息，聚类信息与机器学习算法结合
6．3．3 结构信息，动态更新聚类信息和机器学习算法结合
6．3．4．动态更新结构信息，聚类信息和机器学习算法结合
6．4 本章小结
7 计算机视觉中的特征选择
7．1 高斯混合模型
7．1．1 生成方法和判别方法
7．1．2 高斯混合模型
7．2 Fisher向量
7．3 基于Fisher向量的特征选择
7．4 本章小结
参考文献