机器学习导论-原书第3版

目录introduction to machine learning，third edition出版者的话译者序前言符号说明第1章引言111什么是机器学习112机器学习的应用实例2121学习关联性2122分类3123回归5124非监督学习6125增强学习713注释814相关资源1015习题1116参考文献12第2章监督学习1321由实例学习类1322vc维1623概率近似正确学习1624噪声1725学习多类1826回归1927模型选择与泛化2128监督机器学习算法的维2329注释24210习题25211参考文献26第3章贝叶斯决策理论2731引言2732分类2833损失与风险2934判别式函数3035关联规则3136注释3337习题3338参考文献36第4章参数方法3741引言3742*大似然估计37421伯努利密度38422多项式密度38423高斯（正态）密度3943评价估计：偏倚和方差3944贝叶斯估计4045参数分类4246回归4447调整模型的复杂度：偏倚/方差两难选择4648模型选择过程4949注释51410习题51411参考文献53第5章多元方法5451多元数据5452参数估计5453缺失值估计5554多元正态分布5655多元分类5756调整复杂度6157离散特征6258多元回归6359注释64510习题64511参考文献66第6章维度归约6761引言6762子集选择6763主成分分析7064特征嵌入7465因子分析7566奇异值分解与矩阵分解7867多维定标7968线性判别分析8269典范相关分析85610等距特征映射86611局部线性嵌入87612拉普拉斯特征映射89613注释90614习题91615参考文献92第7章聚类9471引言9472混合密度9473k均值聚类9574期望*大化算法9875潜在变量混合模型10076聚类后的监督学习10177谱聚类10278层次聚类10379选择簇个数104710注释104711习题105712参考文献106第8章非参数方法10781引言10782非参数密度估计108821直方图估计108822核估计109823k*近邻估计11083推广到多变元数据11184非参数分类11285精简的*近邻11286基于距离的分类11387离群点检测11588非参数回归：光滑模型116881移动均值光滑116882核光滑117883移动线光滑11989如何选择光滑参数119810注释120811习题121812参考文献122第9章决策树12491引言12492单变量树125921分类树125922回归树12893剪枝13094由决策树提取规则13195由数据学习规则13296多变量树13497注释13598习题13799参考文献138第10章线性判别式139101引言139102推广线性模型140103线性判别式的几何意义1401031两类问题1401032多类问题141104逐对分离142105参数判别式的进一步讨论143106梯度下降144107逻辑斯谛判别式1451071两类问题1451072多类问题147108回归判别式150109学习排名1511010注释1521011习题1521012参考文献154第11章多层感知器155111引言1551111理解人脑1551112神经网络作为并行处理的典范156112感知器157113训练感知器159114学习布尔函数160115多层感知器161116作为普适近似的mlp162117向后传播算法1631171非线性回归1631172两类判别式1661173多类判别式166