图解机器学习

　　目录
　　第I部分　绪　论
　　第 1章　什么是机器学习 2
　　1.1　学习的种类　　2
　　1.2　机器学习任务的例子　　4
　　1.3　机器学习的方法　　8
　　第 2章　学习模型 12
　　2.1　线性模型　　12
　　2.2　核模型　　15
　　2.3　层级模型　　17
　　第II部分　有监督回归
　　第3章　**小二乘学习法 22
　　3.1　**小二乘学习法　　22
　　3.2　**小二乘解的性质　　25
　　3.3　大规模数据的学习算法　　27
　　第4章带有约束条件的**小二乘法 31
　　4.1　部分空间约束的**小二乘学习法　　31
　　4.2　ｌ2 约束的**小二乘学习法　　33
　　4.3　模型选择　　37
　　第5章　稀疏学习 43
　　5.1　ｌ1 约束的**小二乘学习法　　43
　　5.2　ｌ1 约束的**小二乘学习的求解方法　　45
　　5.3　通过稀疏学习进行特征选择　　50
　　5.4　ｌp约束的**小二乘学习法　　51
　　5.5　ｌ1 ｌ2 约束的**小二乘学习法　　52
　　第6章　鲁棒学习 55
　　6.1　ｌ1 损失**小化学习　　56
　　6.2　Huber损失**小化学习　　58
　　6.3　图基损失**小化学习　　63
　　6.4　ｌ1 约束的Huber损失**小化学习　　65
　　第III部分　有监督分类
　　第7章　基于**小二乘法的分类 70
　　7.1　**小二乘分类　　70
　　7.2　0/1 损失和间隔　　73
　　7.3　多类别的情形　　76
　　第8章　支持向量机分类 80
　　8.1　间隔**大化分类　　80
　　8.2　支持向量机分类器的求解方法　　83
　　8.3　稀疏性　　86
　　8.4　使用核映射的非线性模型　　88
　　8.5　使用Hinge损失**小化学习来解释　　90
　　8.6　使用Ramp损失的鲁棒学习　　93
　　第9章　集成分类 98
　　9.1　剪枝分类　　98
　　9.2　Bagging学习法　　101
　　9.3　Boosting 学习法　　105
　　第 10章　概率分类法 112
　　10.1　Logistic回归　　112
　　10.2　**小二乘概率分类　　116
　　第 11 章序列数据的分类 121
　　11.1　序列数据的模型化　　122
　　11.2　条件随机场模型的学习　　125
　　11.3　利用条件随机场模型对标签序列进行预测　　128
　　第IV部分　无监督学习
　　第 12章　异常检测 132
　　12.1　局部异常因子　　132
　　12.2　支持向量机异常检测　　135
　　12.3　基于密度比的异常检测　　137
　　第 13章　无监督降维 143
　　13.1　线性降维的原理　　144
　　13.2　主成分分析　　146
　　13.3　局部保持投影　　148
　　13.4　核函数主成分分析　　152
　　13.5　拉普拉斯特征映射　　155
　　第 14章　聚类 158
　　14.1　K均值聚类　　158
　　14.2　核K均值聚类　　160
　　14.3　谱聚类　　161
　　14.4　调整参数的自动选取　　163
　　第V部分　新兴机器学习算法
　　第 15章　在线学习 170
　　15.1　被动攻击学习　　170
　　15.2　适应正则化学习　　176
　　第 16章　半监督学习 181
　　16.1　灵活应用输入数据的流形构造　　182
　　16.2　拉普拉斯正则化**小二乘学习的求解方法　　183
　　16.3　拉普拉斯正则化的解释　　186
　　第 17章　监督降维 188
　　17.1　与分类问题相对应的判别分析　　188
　　17.2　充分降维　　195
　　第 18章　迁移学习 197
　　18.1　协变量移位下的迁移学习　　197
　　18.2　类别平衡变化下的迁移学习　　204
　　第 19章　多任务学习 212
　　19.1　使用**小二乘回归的多任务学习　　212
　　19.2　使用**小二乘概率分类器的多任务学习　　215
　　19.3　多次维输出函数的学习　　216
　　第VI部分　结 语
　　第 20章　总结与展望 222
　　参考文献　　225

　　杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。 　　许永伟，2009年赴东京大学攻读博士学位，现于东京大学空间信息科学研究所从事博士后研究（特任研究员）。主要研究方向为模式识别与机器学习、图像处理与计算机视觉，对数据挖掘、大数据和信息架构有浓厚兴趣。

　　《图解机器学习》用丰富的图示，从ZUI小二乘法出发，对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。