机器学习导论

　　出版者的话
　　中文版序
　　译者序
　　前言
　　致谢
　　符号表
　　第1章 绪论
　　1．1 什么是机器学习
　　1．2 机器学习的应用实例
　　1．2．1 学习关联性
　　1．2．2 分类
　　1．2．3 回归
　　1．2．4 非监督学习
　　1．2．5 增强学习
　　1．3 注释
　　1．4 相关资源
　　1．5 习题
　　1．6 参考文献
　　第2章 监督学习
　　2．1 由实例学习类
　　2．2 VC维
　　2．3 概率逼近正确学习
　　2．4 噪声
　　2．5 学习多类
　　2．6 回归
　　2．7 模型选择与泛化
　　2．8 监督机器学习算法的维
　　2．9 注释
　　2．10 习题
　　2．11 参考文献
　　第3章 贝叶斯决策定理
　　3．1 引言
　　3．2 分类
　　3．3 损失与风险
　　3．4 判别式函数
　　3．5 效用理论
　　3．6 信息值
　　3．7 贝叶斯网络
　　3．8 影响图
　　3．9 关联规则
　　3．10 注释
　　3．11 习题
　　3．12 参考文献
　　第4章 参数方法
　　4．1 引言
　　4．2 最大似然估计
　　4．2．1 伯努利密度
　　4．2．2 多项密度
　　4．2．3 高斯(正态)密度
　　4．3 评价估计：偏倚和方差
　　4．4 贝叶斯估计
　　4．5 参数分类
　　4．6 回归
　　4．7 调整模型的复杂度：偏倚／方差两难选择
　　4．8 模型选择过程
　　4．9 注释
　　4．10 习题
　　4．11 参考文献
　　第5章 多元方法
　　5．1 多元数据
　　5．2 参数估计
　　5．3 缺失值估计
　　5．4 多元正态分布
　　5．5 多元分类
　　5．6 调整复杂度
　　5．7 离散特征
　　5．8 多元回归
　　5．9 注释
　　5．10 习题
　　5．11 参考文献
　　第6章 维度归约
　　6．1 引言
　　6．2 子集选择
　　6．3 主成分分析
　　6．4 因子分析
　　6．5 多维定标
　　6．6 线性判别分析
　　6．7 注释
　　6．8 习题
　　6．9 参考文献
　　第7章 聚类
　　7．1 引言
　　7．2 混合密度
　　7．3 平均值聚类
　　7．4 期望最大化算法
　　7．5 潜在变量混合模型
　　7．6 聚类后的监督学习
　　7．7 层次聚类
　　7．8 选择簇个数
　　7．9 注释
　　7．10 习题
　　7．11 参考文献
　　第8章 非参数方法
　　8．1 引言
　　8．2 非参数密度估计
　　8．2．1 直方图估计
　　8．2．2 核估计
　　8．2．3 ％-最近邻估计
　　8．3 到多变元数据的推广
　　8．4 非参数分类
　　8．5 精简的最近邻
　　8．6 非参数回归：光滑模型
　　8．6．1 移动均值光滑
　　8．6．2 核光滑
　　8．6．3 移动线光滑
　　8．7 如何选择光滑参数
　　8．8 注释
　　8．9 习题
　　8．10 参考文献
　　第9章 决策树
　　9．1 引言
　　9．2 单变量树
　　9．2．1 分类树
　　9．2．2 回归树
　　9．3 剪枝
　　9．4 由决策树提取规则
　　9．5 由数据学习规则
　　9．6 多变量树
　　9．7 注释
　　9．8 习题
　　9．9 参考文献
　　第10章 线性判别式
　　10．1 引言
　　10．2 推广线性模型
　　10．3 线性判别式的几何意义
　　10．3．1 两类问题
　　10．3．2 多类问题
　　10．4 逐对分离
　　10．5 参数判别式的进一步讨论
　　10．6 梯度下降
　　10．7 逻辑斯谛判别式
　　10．7．1 两类问题
　　10．7．2 多类问题
　　10．8 回归判别式
　　10．9 支持向量机
　　10．9．1 最佳分离超平面
　　10．9．2 不可分情况：软边缘超平面
　　10．9．3 核函数
　　10．9．4 用于回归的支持向量机
　　10．10 注释
　　10．11 习题
　　10．12 参考文献
　　第11章 多层感知器
　　11．1 引言
　　11．1．1 理解人脑
　　11．1．2 神经网络作为并行处理的典范
　　11．2 感知器
　　11．3 训练感知器
　　11．4 学习布尔函数
　　11．5 多层感知器
　　11．6 MLP作为通用逼近器
　　11．7 后向传播算法
　　11．7．1 非线性回归
　　11．7．2 两类判别式
　　11．7．3 多类判别式
　　11．7．4 多个隐藏层
　　11．8 训练过程
　　11．8．1 改善收敛性
　　11．8．2 过分训练
　　11．8．3 构造网络
　　11．8．4 线索
　　11．9 调整网络规模
　　11．10 学习的贝叶斯观点
　　11．11 维度归约
　　11．12 学习时间
　　11．12．1 时间延迟神经网络
　　11．12．2 递归网络
　　11．13 注释
　　11．14 习题
　　11．15 参考文献
　　第12章 局部模型
　　12．1 引言
　　12．2 竞争学习
　　12．2．1 在线均值
　　12．2．2 自适应共鸣理论
　　12．2．3 自组织映射
　　12．3 径向基函数
　　12．4．结合基于规则的知识
　　12．5 规范化基函数
　　12．6 竞争的基函数
　　12．7 学习向量量化
　　12．8 混合专家模型
　　12．8．1 协同专家模型
　　12．8．2 竞争专家模型
　　12．9 层次混合专家模型
　　12．10 注释
　　12．11 习题
　　12．12 参考文献
　　第13章 隐马尔可夫模型
　　13．1 引言
　　13．2 离散马尔可夫过程
　　13．3 隐马尔可夫模型
　　13．4 HMM的三个基本问题
　　13．5 估值问题
　　13．6 寻找状态序列
　　13．7 学习模型参数
　　13．8 连续观测
　　13．9 带输入的HMM
　　13．10 HNMqItl的模型选择
　　13．11 注释
　　13．12 习题
　　13．13 参考文献
　　第14章 分类算法评估和比较
　　14．1 引言
　　14．2 交叉确认和再抽样方法
　　14．2．1 K．折交叉确认
　　14．2．2 5~2交叉确认
　　14．2．3 自助法
　　14．3 误差度量
　　14．4 区间估计
　　14．5 假设检验
　　14．6 评估分类算法的性能
　　14．6．1 二项检验
　　14．6．2 近似正态检验
　　14．6．3 配对￡检验
　　14．7 比较两个分类算法
　　14．7．1 McNemar-检验
　　14．7．2 K-折交叉确认配对t检验
　　14．7．3 5x2交叉确认配对t检验
　　14．7．4 5x2交叉确认配对F检验
　　14．8 比较多个分类算法：方差分析
　　14．9 注释
　　14．10 习题
　　14．11 参考文献
　　第15章 组合多学习器
　　15．1 基本原理
　　15．2 投票法
　　15．3 纠错输出码
　　15．4 装袋
　　15．5 提升
　　15．6 重温混合专家模型
　　15．7 层叠泛化
　　15．8 级联
　　15．9 注释
　　15．10 习题
　　15．11 参考文献
　　第16章 增强学习
　　16．1 引言
　　16．2 单状态情况：K臂赌博机问题
　　16．3 增强学习基础
　　16．4 基于模型的学习
　　16．4．1 价值迭代
　　16．4．2 策略迭代
　　16．5 时间差分学习
　　16．5．1 探索策略
　　16．5．2 确定性奖励和动作
　　16．5．3 确定性奖励和动作
　　16．5．4 资格迹
　　16．6 推广
　　16．7 部分可观测状态
　　16．8 注释
　　16．9 习题
　　16．10 参考文献
　　附录A概率论
　　索引

　　《机器学习导论》对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能。信号处理、控制和数据挖掘等不同领域的应用。对所有学习算法都进行了解释，以便读者可以容易地将书中的公式转变为计算机程序。《机器学习导论》可作为高等院校计算机相关专业高年级本科生和研究生的教材，也可供研究机器学习方法的技术人员参考。