:流形学习是一种新的非监督学习方法,近年来引起越来越多机器学习和认知科学工作者的重视. 为了加深 对流形学习的认识和理解,该文由流形学习的拓扑学概念入手,追溯它的发展过程. 在明确流形学习的不同表示方 法后,针对几种主要的流形算法,分析它们各自的优势和不足,然后分别引用Isomap 和LL E 的应用示例. 结果表明, 流形学习较之于传统的线性降维方法,能够有效地发现非线性高维数据的本质维数,利于进行维数约简和数据分 析. 最后对流形学习未来的研究方向做出展望,以期进一步拓展流形

多示例学习是与监督学习、非监督学习和强化学习并列的第四类学习框架，目前已广泛应用于药物设计、图像搜索等领域,并已获得很好的效果。在多示例学习中，训练样本是由多个示例组成的包，包是有概念标记的，但示例本身却没有概念标记，学习的目的是预测新包的类别。-Multi-instance learning and supervised learning, unsupervised learning and reinforcement learning tied for the fourth-class le

压缩感知理论的讲座（共8讲），很好的学习资料，含在语音、图像和雷达领域的应用示例。-The lectures regarding compressive sensing consist of 8 articles which indroduce the fundamental and applications on speech,image and radar.