機器學習導論

出版者的話
中文版序
譯者序
前言
致謝
符號表
第1章 緒論
1．1 什么是機器學習
1．2 機器學習的應(yīng)用實例
1．2．1 學習關(guān)聯(lián)性
1．2．2 分類
1．2．3 回歸
1．2．4 非監(jiān)督學習
1．2．5 增強學習
1．3 注釋
1．4 相關(guān)資源
1．5 習題
1．6 參考文獻
第2章 監(jiān)督學習
2．1 由實例學習類
2．2 VC維
2．3 概率逼近正確學習
2．4 噪聲
2．5 學習多類
2．6 回歸
2．7 模型選擇與泛化
2．8 監(jiān)督機器學習算法的維
2．9 注釋
2．10 習題
2．11 參考文獻
第3章 貝葉斯決策定理
3．1 引言
3．2 分類
3．3 損失與風險
3．4 判別式函數(shù)
3．5 效用理論
3．6 信息值
3．7 貝葉斯網(wǎng)絡(luò)
3．8 影響圖
3．9 關(guān)聯(lián)規(guī)則
3．10 注釋
3．11 習題
3．12 參考文獻
第4章 參數(shù)方法
4．1 引言
4．2 最大似然估計
4．2．1 伯努利密度
4．2．2 多項密度
4．2．3 高斯(正態(tài))密度
4．3 評價估計：偏倚和方差
4．4 貝葉斯估計
4．5 參數(shù)分類
4．6 回歸
4．7 調(diào)整模型的復雜度：偏倚／方差兩難選擇
4．8 模型選擇過程
4．9 注釋
4．10 習題
4．11 參考文獻
第5章 多元方法
5．1 多元數(shù)據(jù)
5．2 參數(shù)估計
5．3 缺失值估計
5．4 多元正態(tài)分布
5．5 多元分類
5．6 調(diào)整復雜度
5．7 離散特征
5．8 多元回歸
5．9 注釋
5．10 習題
5．11 參考文獻
第6章 維度歸約
6．1 引言
6．2 子集選擇
6．3 主成分分析
6．4 因子分析
6．5 多維定標
6．6 線性判別分析
6．7 注釋
6．8 習題
6．9 參考文獻
第7章 聚類
7．1 引言
7．2 混合密度
7．3 平均值聚類
7．4 期望最大化算法
7．5 潛在變量混合模型
7．6 聚類后的監(jiān)督學習
7．7 層次聚類
7．8 選擇簇個數(shù)
7．9 注釋
7．10 習題
7．11 參考文獻
第8章 非參數(shù)方法
8．1 引言
8．2 非參數(shù)密度估計
8．2．1 直方圖估計
8．2．2 核估計
8．2．3 ％-最近鄰估計
8．3 到多變元數(shù)據(jù)的推廣
8．4 非參數(shù)分類
8．5 精簡的最近鄰
8．6 非參數(shù)回歸：光滑模型
8．6．1 移動均值光滑
8．6．2 核光滑
8．6．3 移動線光滑
8．7 如何選擇光滑參數(shù)
8．8 注釋
8．9 習題
8．10 參考文獻
第9章 決策樹
9．1 引言
9．2 單變量樹
9．2．1 分類樹
9．2．2 回歸樹
9．3 剪枝
9．4 由決策樹提取規(guī)則
9．5 由數(shù)據(jù)學習規(guī)則
9．6 多變量樹
9．7 注釋
9．8 習題
9．9 參考文獻
第10章 線性判別式
10．1 引言
10．2 推廣線性模型
10．3 線性判別式的幾何意義
10．3．1 兩類問題
10．3．2 多類問題
10．4 逐對分離
10．5 參數(shù)判別式的進一步討論
10．6 梯度下降
10．7 邏輯斯諦判別式
10．7．1 兩類問題
10．7．2 多類問題
10．8 回歸判別式
10．9 支持向量機
10．9．1 最佳分離超平面
10．9．2 不可分情況：軟邊緣超平面
10．9．3 核函數(shù)
10．9．4 用于回歸的支持向量機
10．10 注釋
10．11 習題
10．12 參考文獻
第11章 多層感知器
11．1 引言
11．1．1 理解人腦
11．1．2 神經(jīng)網(wǎng)絡(luò)作為并行處理的典范
11．2 感知器
11．3 訓練感知器
11．4 學習布爾函數(shù)
11．5 多層感知器
11．6 MLP作為通用逼近器
11．7 后向傳播算法
11．7．1 非線性回歸
11．7．2 兩類判別式
11．7．3 多類判別式
11．7．4 多個隱藏層
11．8 訓練過程
11．8．1 改善收斂性
11．8．2 過分訓練
11．8．3 構(gòu)造網(wǎng)絡(luò)
11．8．4 線索
11．9 調(diào)整網(wǎng)絡(luò)規(guī)模
11．10 學習的貝葉斯觀點
11．11 維度歸約
11．12 學習時間
11．12．1 時間延遲神經(jīng)網(wǎng)絡(luò)
11．12．2 遞歸網(wǎng)絡(luò)
11．13 注釋
11．14 習題
11．15 參考文獻
第12章 局部模型
12．1 引言
12．2 競爭學習
12．2．1 在線均值
12．2．2 自適應(yīng)共鳴理論
12．2．3 自組織映射
12．3 徑向基函數(shù)
12．4．結(jié)合基于規(guī)則的知識
12．5 規(guī)范化基函數(shù)
12．6 競爭的基函數(shù)
12．7 學習向量量化
12．8 混合專家模型
12．8．1 協(xié)同專家模型
12．8．2 競爭專家模型
12．9 層次混合專家模型
12．10 注釋
12．11 習題
12．12 參考文獻
第13章 隱馬爾可夫模型
13．1 引言
13．2 離散馬爾可夫過程
13．3 隱馬爾可夫模型
13．4 HMM的三個基本問題
13．5 估值問題
13．6 尋找狀態(tài)序列
13．7 學習模型參數(shù)
13．8 連續(xù)觀測
13．9 帶輸入的HMM
13．10 HNMqItl的模型選擇
13．11 注釋
13．12 習題
13．13 參考文獻
第14章 分類算法評估和比較
14．1 引言
14．2 交叉確認和再抽樣方法
14．2．1 K．折交叉確認
14．2．2 5~2交叉確認
14．2．3 自助法
14．3 誤差度量
14．4 區(qū)間估計
14．5 假設(shè)檢驗
14．6 評估分類算法的性能
14．6．1 二項檢驗
14．6．2 近似正態(tài)檢驗
14．6．3 配對￡檢驗
14．7 比較兩個分類算法
14．7．1 McNemar-檢驗
14．7．2 K-折交叉確認配對t檢驗
14．7．3 5x2交叉確認配對t檢驗
14．7．4 5x2交叉確認配對F檢驗
14．8 比較多個分類算法：方差分析
14．9 注釋
14．10 習題
14．11 參考文獻
第15章 組合多學習器
15．1 基本原理
15．2 投票法
15．3 糾錯輸出碼
15．4 裝袋
15．5 提升
15．6 重溫混合專家模型
15．7 層疊泛化
15．8 級聯(lián)
15．9 注釋
15．10 習題
15．11 參考文獻
第16章 增強學習
16．1 引言
16．2 單狀態(tài)情況：K臂賭博機問題
16．3 增強學習基礎(chǔ)
16．4 基于模型的學習
16．4．1 價值迭代
16．4．2 策略迭代
16．5 時間差分學習
16．5．1 探索策略
16．5．2 確定性獎勵和動作
16．5．3 確定性獎勵和動作
16．5．4 資格跡
16．6 推廣
16．7 部分可觀測狀態(tài)
16．8 注釋
16．9 習題
16．10 參考文獻
附錄A概率論
索引