应用与背景 语言模型 主题模型-隐语义分析与矩阵分解  Latent Semantic Indexing (LSA), SVD and MF 主题模型-概率隐语义分析  Probabilistic Latent Semantic Indexing (pLSA) 多项式分布、狄利克雷分布与共轭  Conjugate Prior, Dirichlet Distribution and Conjugate 主题模型-隐狄利克雷分布  Latent Dirichlet Allocation (LDA)

 背景、示例与应用  推荐系统要素  常用推荐方法 基于内容的推荐方法 基于标签的推荐方法 基于网络的推荐方法 基于上下文的推荐方法  推荐方法测试

文本分类（Text Classification）  示例、定义与范畴  文档表示与特征选择  中文文本类别与层次分类结构（人工）  文本分类方法 分类流程 基于划分的方法（e.g., K近邻） 基于模型的方法（不细讲）  分类效果评估

•从文本分类图像分类 • 如何从图像中获取全局特征？ • 颜色特征、纹理特征、形状特征 • 如何从图像中获取局部特征？ • SIFT: Scale-invariant feature transform •图像分类的几个发展阶段 • Low-level Modelling • Semantic Modelling • Sparse Coding • Deep Learning

语义网（Semantic Web）  语义网提出的背景  语义网概念与体系结构  XML与RDF格式 标记语言 可扩展标记语言（XML）  本体  语义网应用

文本聚类（Text Clustering）  一般性聚类任务 聚类任务引出；应用背景；相似性度量；学科栈  文本聚类任务 聚类对象与文本特征 基于划分的方法（e.g., K-Means） 基于层次的方法 基于密度的方法（e.g., DBScan）  聚类效果评估

• 支持向量机 • 二元线性SVM • SVM用于非线性分类 • 机器学习方法 • 人工神经网络（Artificial Neural Network, ANN） • 深度学习（Deep Learning）现状 • 经典的深度学习模型/算法 • 卷积神经网络 Convolutional Neural Networks (CNN) • 多层反馈网络 Recurrent neural Network(RNN) • 自动编码器 AutoEncoder • 受限玻尔兹曼机 Restricted Boltzmann Machine, RBM • 深度置信网络 (Deep Belief Nets，DBN）

 6.1 域名系统 DNS  6.1.1 域名系统概述  6.1.2 因特网的域名结构  6.1.3 域名服务器  6.2 万维网WWW  6.2.1 概述  6.2.2 统一资源定位符 URL  6.2.3 超文本传送协议 HTTP  6.2.4 万维网的文档  6.2.5 万维网的信息检索系统  6.3 流媒体  6.3.1 流媒体的概述  6.3.2 存储式流媒体  6.1.3 交互式流媒体  6.4 改进“尽最大努力交付”的服务  6.4.1 使因特网提供服务质量  6.4.2 调度和管制机制  6.4.3 综合服务 IntServ 与资源预留协议 RSVP  6.4.4 区分服务 DiffServ

6.1 域名系统 DNS 6.1.1 域名系统概述 6.1.2 因特网的域名结构 6.1.3 域名服务器 6.2 文件传送协议 6.2.1 FTP 概述 6.2.2 FTP 的基本工作原理 6.2.3 简单文件传送协议 TFTP 6.3 远程终端协议 TELNET 6.4 万维网 WWW 6.4.1 概述 6.4.2 统一资源定位符 URL 6.4.3 超文本传送协议 HTTP 6.4.4 万维网的文档 6.4.5 万维网的信息检索系统 6.4.6 博客和微博 6.4.7 社交网站

第一章 网络信息资源基础知识 •第一节 因特网基础 •第二节 网络信息资源 •第三节 搜索引擎 •第四节 搜索引擎使用技巧 •第五节 搜索典型案例 第二章 德州学院图书馆电子资源的利用