機器學習基礎(chǔ)教程

出版者的話
譯者序
前言
第1章  線性建模：最小二乘法
1.1  線性建模
1.1.1  定義模型
1.1.2  模型假設(shè)
1.1.3  定義什么是好的模型
1.1.4  最小二乘解：一個有效的例子
1.1.5  有效的例子
1.1.6  奧運會數(shù)據(jù)的最小二乘擬合
1.1.7  小結(jié)
1.2  預(yù)測
1.2.1  第二個奧運會數(shù)據(jù)集
1.2.2  小結(jié)
1.3  向量/矩陣符號
1.3.1  例子
1.3.2  數(shù)值的例子
1.3.3  預(yù)測
1.3.4  小結(jié)
1.4  線性模型的非線性響應(yīng)
1.5  泛化與過擬合
1.5.1  驗證數(shù)據(jù)
1.5.2  交叉驗證
1.5.3  K折交叉驗證的計算縮放
1.6  正則化最小二乘法
1.7  練習
其他閱讀材料
第2章  線性建模：最大似然方法
2.1  誤差作為噪聲
2.2  隨機變量和概率
2.2.1  隨機變量
2.2.2  概率和概率分布
2.2.3  概率的加法
2.2.4  條件概率
2.2.5  聯(lián)合概率
2.2.6  邊緣化
2.2.7  貝葉斯規(guī)則介紹
2.2.8  期望值
2.3  常見的離散分布
2.3.1  伯努利分布
2.3.2  二項分布
2.3.3  多項分布
2.4  連續(xù)型隨機變量--概率密度函數(shù)
2.5  常見的連續(xù)概率密度函數(shù)
2.5.1  均勻密度函數(shù)
2.5.2  β密度函數(shù)
2.5.3  高斯密度函數(shù)
2.5.4  多元高斯
2.5.5  小結(jié)
2.6  產(chǎn)生式的考慮（續(xù)）
2.7  似然估計
2.7.1  數(shù)據(jù)集的似然值
2.7.2  最大似然
2.7.3  最大似然解的特點
2.7.4  最大似然法適用于復(fù)雜模型
2.8  偏差方差平衡問題
2.9  噪聲對參數(shù)估計的影響
2.9.1  參數(shù)估計的不確定性
2.9.2  與實驗數(shù)據(jù)比較
2.9.3  模型參數(shù)的變異性--奧運會數(shù)據(jù)
2.10  預(yù)測值的變異性
2.10.1  預(yù)測值的變異性--一個例子
2.10.2  估計值的期望值
2.10.3  小結(jié)
2.11  練習
其他閱讀材料
第3章  機器學習的貝葉斯方法
3.1  硬幣游戲
3.1.1  計算正面朝上的次數(shù)
3.1.2  貝葉斯方法
3.2  精確的后驗
3.3  三個場景
3.3.1  沒有先驗知識
3.3.2  公平的投幣
3.3.3  有偏的投幣
3.3.4  三個場景--總結(jié)
3.3.5  增加更多的數(shù)據(jù)
3.4  邊緣似然估計
3.5  超參數(shù)
3.6  圖模型
3.7  奧運會100米數(shù)據(jù)的貝葉斯處理實例
3.7.1  模型
3.7.2  似然估計
3.7.3  先驗概率
3.7.4  后驗概率
3.7.5  1階多項式
3.7.6  預(yù)測
3.8  邊緣似然估計用于多項式模型階的選擇
3.9  小結(jié)
3.10  練習
其他閱讀材料
第4章  貝葉斯推理
4.1  非共軛模型
4.2  二值響應(yīng)
4.3  點估計：最大后驗估計方案
4.4  拉普拉斯近似
4.4.1  拉普拉斯近似實例：近似γ密度
4.4.2  二值響應(yīng)模型的拉普拉斯近似
4.5  抽樣技術(shù)
4.5.1  玩飛鏢游戲
4.5.2  Metropolis-Hastings算法
4.5.3  抽樣的藝術(shù)
4.6  小結(jié)
4.7  練習
其他閱讀材料
第5章  分類
5.1  一般問題
5.2  概率分類器
5.2.1  貝葉斯分類器
5.2.2  邏輯回歸
5.3  非概率分類器
5.3.1  K近鄰算法
5.3.2  支持向量機和其他核方法
5.3.3  小結(jié)
5.4  評價分類器的性能
5.4.1  準確率--0/1損失
5.4.2  敏感性和特異性
5.4.3  ROC曲線下的區(qū)域
5.4.4  混淆矩陣
5.5  判別式和產(chǎn)生式分類器
5.6  小結(jié)
5.7  練習
其他閱讀材料
第6章  聚類分析
6.1  一般問題
6.2  K均值聚類
6.2.1  聚類數(shù)目的選擇
6.2.2  K均值的不足之處
6.2.3  核化K均值
6.2.4  小結(jié)
6.3  混合模型
6.3.1  生成過程
6.3.2  混合模型似然函數(shù)
6.3.3  EM算法
6.3.4  例子
6.3.5  EM尋找局部最優(yōu)
6.3.6  組分數(shù)目的選擇
6.3.7  混合組分的其他形式
6.3.8  用EM估計MAP
6.3.9  貝葉斯混合模型
6.4  小結(jié)
6.5  練習
其他閱讀材料
第7章  主成分分析與隱變量模型
7.1  一般問題
7.2  主成分分析
7.2.1  選擇D
7.2.2  PCA的局限性
7.3  隱變量模型
7.3.1  隱變量模型中的混合模型
7.3.2  小結(jié)
7.4  變分貝葉斯
7.4.1  選擇Q（θ）
7.4.2  優(yōu)化邊界
7.5  PCA的概率模型
7.5.1  Qτ（τ）
7.5.2  Qxn（xn）
7.5.3  Qwn（wm）
7.5.4  期望值要求
7.5.5  算法
7.5.6  例子
7.6  缺失值
7.6.1  缺失值作為隱變量
7.6.2  預(yù)測缺失值
7.7  非實值數(shù)據(jù)
7.7.1  概率PPCA
7.7.2  議會數(shù)據(jù)可視化
7.8  小結(jié)
7.9  練習
其他閱讀材料
詞匯表
索引