本書是關(guān)于機(jī)器學(xué)習(xí)這一主題內(nèi)容全面的教科書，涵蓋了通常在機(jī)器學(xué)習(xí)導(dǎo)論中并不包括的廣泛題材。對機(jī)器學(xué)習(xí)的定義和應(yīng)用實(shí)例進(jìn)行了介紹，涵蓋了監(jiān)督學(xué)習(xí)、貝葉斯決策理論、參數(shù)方法、多元方法、維度歸約、聚類、非參數(shù)方法、決策樹、線性判別式、多層感知器、局部模型、核機(jī)器、圖方法、隱馬爾可夫模型、貝葉斯估計、組合多學(xué)習(xí)器、增強(qiáng)學(xué)習(xí)以及機(jī)器學(xué)習(xí)實(shí)驗(yàn)的設(shè)計與分析等。
目錄
Introduction to Machine Learning，Third Edition
出版者的話
譯者序
前言
符號說明
第1章引言1
11什么是機(jī)器學(xué)習(xí)1
12機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例2
121學(xué)習(xí)關(guān)聯(lián)性2
122分類3
123回歸5
124非監(jiān)督學(xué)習(xí)6
125增強(qiáng)學(xué)習(xí)7
13注釋8
14相關(guān)資源10
15習(xí)題11
16參考文獻(xiàn)12
第2章監(jiān)督學(xué)習(xí)13
21由實(shí)例學(xué)習(xí)類13
22VC維16
23概率近似正確學(xué)習(xí)16
24噪聲17
25學(xué)習(xí)多類18
26回歸19
27模型選擇與泛化21
28監(jiān)督機(jī)器學(xué)習(xí)算法的維23
29注釋24
210習(xí)題25
211參考文獻(xiàn)26
第3章貝葉斯決策理論27
31引言27
32分類28
33損失與風(fēng)險29
34判別式函數(shù)30
35關(guān)聯(lián)規(guī)則31
36注釋33
37習(xí)題33
38參考文獻(xiàn)36
第4章參數(shù)方法37
41引言37
42最大似然估計37
421伯努利密度38
422多項式密度38
423高斯（正態(tài)）密度39
43評價估計：偏倚和方差39
44貝葉斯估計40
45參數(shù)分類42
46回歸44
47調(diào)整模型的復(fù)雜度：偏倚/方差兩難選擇46
48模型選擇過程49
49注釋51
410習(xí)題51
411參考文獻(xiàn)53
第5章多元方法54
51多元數(shù)據(jù)54
52參數(shù)估計54
53缺失值估計55
54多元正態(tài)分布56
55多元分類57
56調(diào)整復(fù)雜度61
57離散特征62
58多元回歸63
59注釋64
510習(xí)題64
511參考文獻(xiàn)66
第6章維度歸約67
61引言67
62子集選擇67
63主成分分析70
64特征嵌入74
65因子分析75
66奇異值分解與矩陣分解78
67多維定標(biāo)79
68線性判別分析82
69典范相關(guān)分析85
610等距特征映射86
611局部線性嵌入87
612拉普拉斯特征映射89
613注釋90
614習(xí)題91
615參考文獻(xiàn)92
第7章聚類94
71引言94
72混合密度94
73k均值聚類95
74期望最大化算法98
75潛在變量混合模型100
76聚類后的監(jiān)督學(xué)習(xí)101
77譜聚類102
78層次聚類103
79選擇簇個數(shù)104
710注釋104
711習(xí)題105
712參考文獻(xiàn)106
第8章非參數(shù)方法107
81引言107
82非參數(shù)密度估計108
821直方圖估計108
822核估計109
823k最近鄰估計110
83推廣到多變元數(shù)據(jù)111
84非參數(shù)分類112
85精簡的最近鄰112
86基于距離的分類113
87離群點(diǎn)檢測115
88非參數(shù)回歸：光滑模型116
881移動均值光滑116
882核光滑117
883移動線光滑119
89如何選擇光滑參數(shù)119
810注釋120
811習(xí)題121
812參考文獻(xiàn)122
第9章決策樹124
91引言124
92單變量樹125
921分類樹125
922回歸樹128
93剪枝130
94由決策樹提取規(guī)則131
95由數(shù)據(jù)學(xué)習(xí)規(guī)則132
96多變量樹134
97注釋135
98習(xí)題137
99參考文獻(xiàn)138
第10章線性判別式139
101引言139
102推廣線性模型140
103線性判別式的幾何意義140
1031兩類問題140
1032多類問題141
104逐對分離142
105參數(shù)判別式的進(jìn)一步討論143
106梯度下降144
107邏輯斯諦判別式145
1071兩類問題145
1072多類問題147
108回歸判別式150
109學(xué)習(xí)排名151
1010注釋152
1011習(xí)題152
1012參考文獻(xiàn)154
第11章多層感知器155
111引言155
1111理解人腦155
1112神經(jīng)網(wǎng)絡(luò)作為并行處理的典范156
112感知器157
113訓(xùn)練感知器159
114學(xué)習(xí)布爾函數(shù)160
115多層感知器161
116作為普適近似的MLP162
117向后傳播算法163
1171非線性回歸163
1172兩類判別式166
1173多類判別式166
書單推薦
