機(jī)器學(xué)習(xí)導(dǎo)論

出版者的話
中文版序
譯者序
前言
致謝
符號(hào)表
第1章 緒論
1．1 什么是機(jī)器學(xué)習(xí)
1．2 機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例
1．2．1 學(xué)習(xí)關(guān)聯(lián)性
1．2．2 分類
1．2．3 回歸
1．2．4 非監(jiān)督學(xué)習(xí)
1．2．5 增強(qiáng)學(xué)習(xí)
1．3 注釋
1．4 相關(guān)資源
1．5 習(xí)題
1．6 參考文獻(xiàn)
第2章 監(jiān)督學(xué)習(xí)
2．1 由實(shí)例學(xué)習(xí)類
2．2 VC維
2．3 概率逼近正確學(xué)習(xí)
2．4 噪聲
2．5 學(xué)習(xí)多類
2．6 回歸
2．7 模型選擇與泛化
2．8 監(jiān)督機(jī)器學(xué)習(xí)算法的維
2．9 注釋
2．10 習(xí)題
2．11 參考文獻(xiàn)
第3章 貝葉斯決策定理
3．1 引言
3．2 分類
3．3 損失與風(fēng)險(xiǎn)
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(xí)題
3．12 參考文獻(xiàn)
第4章 參數(shù)方法
4．1 引言
4．2 最大似然估計(jì)
4．2．1 伯努利密度
4．2．2 多項(xiàng)密度
4．2．3 高斯(正態(tài))密度
4．3 評(píng)價(jià)估計(jì)：偏倚和方差
4．4 貝葉斯估計(jì)
4．5 參數(shù)分類
4．6 回歸
4．7 調(diào)整模型的復(fù)雜度：偏倚／方差兩難選擇
4．8 模型選擇過(guò)程
4．9 注釋
4．10 習(xí)題
4．11 參考文獻(xiàn)
第5章 多元方法
5．1 多元數(shù)據(jù)
5．2 參數(shù)估計(jì)
5．3 缺失值估計(jì)
5．4 多元正態(tài)分布
5．5 多元分類
5．6 調(diào)整復(fù)雜度
5．7 離散特征
5．8 多元回歸
5．9 注釋
5．10 習(xí)題
5．11 參考文獻(xiàn)
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(biāo)
6．6 線性判別分析
6．7 注釋
6．8 習(xí)題
6．9 參考文獻(xiàn)
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(xué)習(xí)
7．7 層次聚類
7．8 選擇簇個(gè)數(shù)
7．9 注釋
7．10 習(xí)題
7．11 參考文獻(xiàn)
第8章 非參數(shù)方法
8．1 引言
8．2 非參數(shù)密度估計(jì)
8．2．1 直方圖估計(jì)
8．2．2 核估計(jì)
8．2．3 ％-最近鄰估計(jì)
8．3 到多變?cè)獢?shù)據(jù)的推廣
8．4 非參數(shù)分類
8．5 精簡(jiǎn)的最近鄰
8．6 非參數(shù)回歸：光滑模型
8．6．1 移動(dòng)均值光滑
8．6．2 核光滑
8．6．3 移動(dòng)線光滑
8．7 如何選擇光滑參數(shù)
8．8 注釋
8．9 習(xí)題
8．10 參考文獻(xiàn)
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(xué)習(xí)規(guī)則
9．6 多變量樹
9．7 注釋
9．8 習(xí)題
9．9 參考文獻(xiàn)
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(wèn)題
10．3．2 多類問(wèn)題
10．4 逐對(duì)分離
10．5 參數(shù)判別式的進(jìn)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(wèn)題
10．7．2 多類問(wèn)題
10．8 回歸判別式
10．9 支持向量機(jī)
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(jī)
10．10 注釋
10．11 習(xí)題
10．12 參考文獻(xiàn)
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(xùn)練感知器
11．4 學(xué)習(xí)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(gè)隱藏層
11．8 訓(xùn)練過(guò)程
11．8．1 改善收斂性
11．8．2 過(guò)分訓(xùn)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(xué)習(xí)的貝葉斯觀點(diǎn)
11．11 維度歸約
11．12 學(xué)習(xí)時(shí)間
11．12．1 時(shí)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(xí)題
11．15 參考文獻(xiàn)
第12章 局部模型
12．1 引言
12．2 競(jìng)爭(zhēng)學(xué)習(xí)
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(shí)
12．5 規(guī)范化基函數(shù)
12．6 競(jìng)爭(zhēng)的基函數(shù)
12．7 學(xué)習(xí)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(jìng)爭(zhēng)專家模型
12．9 層次混合專家模型
12．10 注釋
12．11 習(xí)題
12．12 參考文獻(xiàn)
第13章 隱馬爾可夫模型
13．1 引言
13．2 離散馬爾可夫過(guò)程
13．3 隱馬爾可夫模型
13．4 HMM的三個(gè)基本問(wèn)題
13．5 估值問(wèn)題
13．6 尋找狀態(tài)序列
13．7 學(xué)習(xí)模型參數(shù)
13．8 連續(xù)觀測(cè)
13．9 帶輸入的HMM
13．10 HNMqItl的模型選擇
13．11 注釋
13．12 習(xí)題
13．13 參考文獻(xiàn)
第14章 分類算法評(píng)估和比較
14．1 引言
14．2 交叉確認(rèn)和再抽樣方法
14．2．1 K．折交叉確認(rèn)
14．2．2 5~2交叉確認(rèn)
14．2．3 自助法
14．3 誤差度量
14．4 區(qū)間估計(jì)
14．5 假設(shè)檢驗(yàn)
14．6 評(píng)估分類算法的性能
14．6．1 二項(xiàng)檢驗(yàn)
14．6．2 近似正態(tài)檢驗(yàn)
14．6．3 配對(duì)￡檢驗(yàn)
14．7 比較兩個(gè)分類算法
14．7．1 McNemar-檢驗(yàn)
14．7．2 K-折交叉確認(rèn)配對(duì)t檢驗(yàn)
14．7．3 5x2交叉確認(rèn)配對(duì)t檢驗(yàn)
14．7．4 5x2交叉確認(rèn)配對(duì)F檢驗(yàn)
14．8 比較多個(gè)分類算法：方差分析
14．9 注釋
14．10 習(xí)題
14．11 參考文獻(xiàn)
第15章 組合多學(xué)習(xí)器
15．1 基本原理
15．2 投票法
15．3 糾錯(cuò)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(jí)聯(lián)
15．9 注釋
15．10 習(xí)題
15．11 參考文獻(xiàn)
第16章 增強(qiáng)學(xué)習(xí)
16．1 引言
16．2 單狀態(tài)情況：K臂賭博機(jī)問(wèn)題
16．3 增強(qiáng)學(xué)習(xí)基礎(chǔ)
16．4 基于模型的學(xué)習(xí)
16．4．1 價(jià)值迭代
16．4．2 策略迭代
16．5 時(shí)間差分學(xué)習(xí)
16．5．1 探索策略
16．5．2 確定性獎(jiǎng)勵(lì)和動(dòng)作
16．5．3 確定性獎(jiǎng)勵(lì)和動(dòng)作
16．5．4 資格跡
16．6 推廣
16．7 部分可觀測(cè)狀態(tài)
16．8 注釋
16．9 習(xí)題
16．10 參考文獻(xiàn)
附錄A概率論
索引