本书具体内容设置如下：首先提出一个结合文本挖掘与专家经验的机器学习问题分析框架，利用该框架详细分析并讨论医疗大数据挖掘的研究现状，总结机器学习在医疗大数据中面临的关键问题，然后对这些机器学习问题和相应的机器学习方法进行描述，并针对多视角学习和类别不平衡学习深入研究。
本书可作为机器学习领域研究生的扩充阅读资料，也可供医疗大数据领域正在进行理论研究和应用研究的读者参考。

付赛际，博士，北京邮电大学讲师。研究方向：医疗大数据挖掘、机器学习与最优化。近年来在国际学术期刊发表高水平学术论文10余篇。参加国家自然科学基金面上项目、重点项目若干。

第1章 医疗大数据挖掘
1.1 医疗大数据
1.2 医疗大数据文献分析
1.2.1 数据准备
1.2.2 文本挖掘
1.2.3 专家经验
1.3 挖掘现状与关键问题
1.3.1 医学图像分类
1.3.2 医学图像检测
1.3.3 医学图像分割
1.3.4 医学图像生成
1.3.5 关键问题
第2章 机器学习问题
2.1 二分类问题
2.2 多分类问题
2.3 多标签分类问题
2.4 多视角分类问题
2.5 多示例分类问题
2.6 多任务分类问题
2.7 迁移学习问题
2.8 弱监督分类问题
2.9 数据生成问题
第3章 机器学习方法
3.1 传统机器学习方法
3.1.1 k近邻
3.1.2 朴素贝叶斯
3.1.3 决策树
3.1.4 随机森林
3.1.5 自适应增强
3.1.6 支持向量机
3.2 深度学习方法
3.2.1 CNN
3.2.2 RNN
3.2.3 GAN
第4章 多视角学习
4.1 多视角学习方法
4.1.1 基于完整视角的学习方法
4.1.2 基于不完整视角的学习方法
4.2 基础模型
4.2.1 RSVM
4.2.2 PSVM-2V
4.3 RPSVM-2V
4.4 理论分析
4.5 拓展模型
4.5.1 RSVM-2K
4.5.2 RMKL
4.6 实验分析
4.6.1 实验设置
4.6.2 实验结果
4.6.3 参数敏感性分析
4.6.4 谱分析
第5章 类别不平衡学习（一）
5.1 类别不平衡学习方法
5.1.1 采样
5.1.2 代价敏感学习
5.1.3 集成学习
5.2 DEC
5.3 修正Stein损失函数
5.4 CSMS
5.5 理论分析
5.6 模型优化
5.7 实验分析
5.7.1 实验设置
5.7.2 实验结果
5.7.3 参数敏感性分析
5.7.4 收敛性分析
第6章 类别不平衡学习（二）
6.1 v-SVM
6.2 LINEX损失函数
6.3 v-CSSVM
6.4 理论分析
6.5 模型优化
6.5.1 ADMM
6.5.2 GD
6.6 实验分析
6.6.1 实验设置
6.6.2 实验结果
6.6.3 参数敏感性分析
6.6.4 收敛性分析
第7章 类别不平衡学习（三）
7.1 深度学习中的类别不平衡损失函数
7.1.1 WCE
7.1.2 FL
7.1.3 其他
7.2 深度LINEX损失函数
7.2.1 BC-LINEX
7.2.2 MC-LINEX
7.2.3 损失函数比较
7.3 模型优化
7.3.1 BC-LINEX权重更新
7.3.2 MC-LINEX权重更新
7.4 实验分析
7.4.1 实验设置
7.4.2 实验结果
7.4.3 参数敏感性分析
附录A
A.1定理4.1 证明
A.2定理4.2 证明
A.3第4章 附表
附录B
B.1第5章 附表
附录C
C.1定理6.1 证明
C.2第6章 附表
参考文献