本书针对癌症基因组学数据分析面临的困难，以机器学习为理论基础，通过对癌症特征基因选择、癌症样本分类、癌症聚类和癌症亚型预测等问题展开研究与探索，提出了一系列基于机器学习的癌症基因组学数据分析方法。本书全书共11章，包含5个部分的内容：机器学习与癌症基因组学数据的基础知识、基于重要性排序的癌症特征基因选择、基于样本扩充及深度学习的癌症样本分类、基于图论及子空间学习的癌症聚类和基于多组学数据融合的癌症亚型预测。
本书提出的机器学习方法，不仅丰富了机器学习理论，也获得了与癌症发生、发展密切相关的成果，具有一定的理论价值和实用价值。

第1章 绪论
1.1 研究背景及意义
1.2 癌症基因组学数据研究现状
1.3 本书主要研究方法
1.4 本章小结
参考文献
第2章 癌症基因组学数据及机器学习研究基础
2.1 癌症基因组学数据的获取
2.2 癌症基因组学数据分析面临的问题
2.3 机器学习相关算法
2.4 本章小结
参考文献
第3章 基于样本学习及深度稀疏滤波的癌症特征基因选择
3.1 稀疏滤波算法
3.2 基于样本学习的特征基因选择
3.3 基于稀疏滤波的样本学习适用性分析
3.4 基于深度稀疏滤波的样本学习模型
3.5 基于样本学习及深度稀疏滤波的癌症特征基因选择
3.6 实验结果与分析
3.7 本章小结
参考文献
第4章 基于最优均值的分块鲁棒特征基因选择
4.1 最优均值理论
4.2 基于最优均值的鲁棒特征基因选择算法
4.3 基于最优均值的分块鲁棒特征基因选择算法
4.4 基于OMBRFE的结直肠癌融合数据特征基因选择
4.5 实验结果与分析
4.6 本章小结
参考文献
第5章 基于多智能体强化学习的乳腺癌致病基因预测
5.1 问题描述
5.2 环境设计
5.3 基于多智能体强化学习的乳腺癌致病基因预测
5.4 实验结果与分析
5.5 本章小结
参考文献
第6章 基于样本扩充及深度学习的癌症样本分类
6.1 研究动机
6.2 样本扩充方法
6.3 基于样本扩充的栈式自动编码器
6.4 基于样本扩充的1维卷积神经网络
6.5 实验结果及分析
6.6 本章小结
参考文献
第7章 基于离散约束及超图正则化的低秩子空间聚类
7.1 基于离散约束的低秩子空间聚类
7.2 超图构建
7.3 基于离散约束及超图正则化的低秩子空间聚类算法
7.4 实验结果与分析
7.5 本章小结
参考文献
第8章 基于离散约束及封顶范数的鲁棒低秩子空间聚类
8.1 基于离散约束及封顶范数的低秩子空间聚类算法
8.2 DCLRS优化算法
8.3 DCLRS收敛性分析
8.4 实验结果与分析
8.5 本章小结
参考文献
第9章 基于双超图正则化主成分分析的双聚类
9.1 研究动机
9.2 图拉普拉斯主成分分析
9.3 双超图的构建
9.4 基于双超图正则化的主成分分析
9.5 基于DHPCA的癌症双聚类
9.6 实验结果与分析
9.7 本章小结
参考文献
第10章 基于随机游走及相对熵相似网络融合的癌症亚型预测
10.1 基于随机游走及相对熵的相似网络融合
10.2 实验结果与分析
10.3 本章小结
参考文献
第11章 基于多平滑表示融合多视图谱聚类的癌症亚型预测
11.1 基于多平滑表示融合的多视图谱聚类
11.2 实验结果与分析
11.3 本章小结
参考文献