機器學習導論

推薦序
前言
第1章 一個簡單的機器學習任務//
1.1訓練集和分類器//
1.2一點題外話：爬山搜索//
1.3機器學習中的爬山法//
1.4分類器的性能//
1.5可用數(shù)據(jù)的困難//
1.6總結和歷史簡評//
1.7鞏固你的知識//
第2章 概率：貝葉斯分類器//
2.1單屬性的情況//
2.2離散屬性值的向量//
2.3稀少事件的概率：利用專家的直覺//
2.4如何處理連續(xù)屬性//
2.5高斯鐘形函數(shù)：一個標準的概率密度函數(shù)//
2.6用高斯函數(shù)的集合近似概率密度函數(shù)//
2.7總結和歷史簡評//
2.8鞏固你的知識//
第3章 相似性：最近鄰分類器//
3.1k近鄰法則//
3.2度量相似性//
3.3不相關屬性與尺度縮放問題//
3.4性能方面的考慮//
3.5加權最近鄰//
3.6移除危險的樣例//
3.7移除多余的樣例//
3.8總結和歷史簡評//
3.9鞏固你的知識//
第4章 類間邊界：線性和多項式分類器//
4.1本質//
4.2加法規(guī)則：感知機學習//
4.3乘法規(guī)則：WINNOW//
4.4多于兩個類的域//
4.5多項式分類器//
4.6多項式分類器的特殊方面//
4.7數(shù)值域和支持向量機//
4.8總結和歷史簡評//
4.9鞏固你的知識//
第5章 人工神經(jīng)網(wǎng)絡//
5.1作為分類器的多層感知機//
5.2神經(jīng)網(wǎng)絡的誤差//
5.3誤差的反向傳播//
5.4多層感知機的特殊方面//
5.5結構問題//
5.6徑向基函數(shù)網(wǎng)絡//
5.7總結和歷史簡評//
5.8鞏固你的知識//
第6章 決策樹//
6.1作為分類器的決策樹//
6.2決策樹的歸納學習//
6.3一個屬性承載了多少信息//
6.4數(shù)值屬性的二元劃分//
6.5剪枝//
6.6將決策樹轉換為規(guī)則//
6.7總結和歷史簡評//
6.8鞏固你的知識//
第7章 計算學習理論//
7.1PAC 學習//
7.2PAC可學習性的實例//
7.3一些實踐和理論結果//
7.4VC維與可學習性//
7.5總結和歷史簡評//
7.6鞏固你的知識//
第8章 幾個有幫助的案例//
8.1字符識別//
8.2溢油檢測//
8.3睡眠分類//
8.4腦機界面//
8.5醫(yī)療診斷//
8.6文本分類//
8.7總結和歷史簡評//
8.8鞏固你的知識//
第9章 投票組合簡介//
9.1“裝袋”方法(Bagging)//
9.2夏皮爾提升(Schapires Boosting)//
9.3Adaboost——Boosting的實用版本//
9.4Boosting方法的變種//
9.5Boosting方法的計算優(yōu)勢//
9.6總結和歷史簡評//
9.7鞏固你的知識//
第10章 了解一些實踐知識//
10.1學習器的偏好//
10.2不平衡訓練集//
10.3語境相關域//
10.4未知屬性值//
10.5屬性選擇//
10.6雜項//
10.7總結和歷史簡評//
10.8鞏固你的知識//
第11章 性能評估//
11.1基本性能標準//
11.2精度和查全率//
11.3測量性能的其他方法//
11.4多標簽域內的性能//
11.5學習曲線和計算開銷//
11.6實驗評估的方法//
11.7總結和歷史簡評//
11.8鞏固你的知識//
第12章 統(tǒng)計顯著性//
12.1總體抽樣//
12.2從正態(tài)分布中獲益//
12.3置信區(qū)間//
12.4一個分類器的統(tǒng)計評價//
12.5另外一種統(tǒng)計評價//
12.6機器學習技術的比較//
12.7總結和歷史簡評//
12.8鞏固你的知識//
第13章 遺傳算法//
13.1基本遺傳算法//
13.2單個模塊的實現(xiàn)//
13.3為什么能起作用//
13.4過早退化的危險//
13.5其他遺傳算子//
13.6高級版本//
13.7k-NN 分類器的選擇//
13.8總結和歷史簡評//
13.9鞏固你的知識//
第14章 增強學習//
14.1如何選出最高獎勵的動作//
14.2游戲的狀態(tài)和動作//
14.3SARSA方法//
14.4總結和歷史簡評//
14.5鞏固你的知識//
參考文獻//