機器學習導論（原書第3版）

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

11什么是機器學習1

12機器學習的應用實例2

121學習關聯(lián)性2

122分類3

123回歸5

124非監(jiān)督學習6

125增強學習7

13注釋8

14相關資源10

15習題11

16參考文獻12

第2章監(jiān)督學習13

21由實例學習類13

22VC維16

23概率近似正確學習16

24噪聲17

25學習多類18

26回歸19

27模型選擇與泛化21

28監(jiān)督機器學習算法的維23

29注釋24

210習題25

211參考文獻26

第3章貝葉斯決策理論27

31引言27

32分類28

33損失與風險29

34判別式函數(shù)30

35關聯(lián)規(guī)則31

36注釋33

37習題33

38參考文獻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習題51

411參考文獻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)整復雜度61

57離散特征62

58多元回歸63

59注釋64

510習題64

511參考文獻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79

68線性判別分析82

69典范相關分析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習題91

615參考文獻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)督學習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習題105

712參考文獻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習題121

812參考文獻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)學習規(guī)則132

96多變量樹134

97注釋135

98習題137

99參考文獻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學習排名151

1010注釋152

1011習題152

1012參考文獻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)絡作為并行處理的典范156

112感知器157

113訓練感知器159

114學習布爾函數(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