统计学习理论基础

目录
译者序
前言
第1章引言：分类、学习、
特征及应用
11范围
12为什么需要机器学习？
13一些应用
131图像识别
132语音识别
133医学诊断
134统计套利
14测量、特征和特征向量
15概率的需要
16监督学习
17小结
18附录：归纳法
19问题
110参考文献
第2章概率
21一些基本事件的概率
22复合事件的概率
23条件概率
24不放回抽取
25一个经典的生日问题
26随机变量
27期望值
28方差
29小结
210附录：概率诠释
211问题
212参考文献
第3章概率密度
31一个二维实例
32在\[0,1\]区间的随机数
33密度函数
34高维空间中的概率密度
35联合密度和条件密度
36期望和方差
37大数定律
38小结
39附录:可测性
310问题
311参考文献
第4章模式识别问题
41一个简单例子
42决策规则
43成功基准
44*佳分类器：贝叶斯决策
规则
45连续特征和密度
46小结
47附录：不可数概念
48问题
49参考文献
第5章*优贝叶斯决策规则
51贝叶斯定理
52贝叶斯决策规则
53*优及其评论
54一个例子
55基于密度函数的贝叶斯定理
及决策规则
56小结
57附录：条件概率的定义
58问题
59参考文献
第6章从实例中学习
61概率分布知识的欠缺
62训练数据
63对训练数据的假设
64蛮力学习方法
65维数灾难、归纳偏置以及
无免费午餐原理
66小结
67附录:学习的类型
68问题
69参考文献
第7章*近邻规则
71*近邻规则
72*近邻规则的性能
73直觉判断与性能证明框架
74使用更多邻域
75小结
76附录:当人们使用*近邻域
进行推理时的一些问题
761谁是单身汉?
762法律推理
763道德推理
77问题
78参考文献
第8章核规则
81动机
82*近邻规则的变体
83核规则
84核规则的通用一致性
85势函数
86更多的通用核
87小结
88附录：核、相似性和特征
89问题
810参考文献
第9章神经网络:感知器
91多层前馈网络
92神经网络用于学习和分类
93感知器
931阈值
94感知器学习规则
95感知器的表达能力
96小结
97附录：思想模型
98问题
99参考文献
第10章多层神经网络
101多层网络的表征能力
102学习及S形输出
103训练误差和权值空间
104基于梯度下降的误差*小化
105反向传播
106反向传播方程的推导
1061单神经元情况下的推导
1062多层网络情况下的推导
107小结
108附录:梯度下降与反射平衡
推理
109问题
1010参考文献
第11章可能近似正确（PAC）
学习
111决策规则分类
112来自一个类中的*优规则
113可能近似正确准则
114PAC学习
115小结
116附录：识别不可辨元
117问题
118参考文献
第12章VC维
121近似误差和估计误差
122打散
123VC维
124学习结果
125举例
126神经网络应用
127小结
128附录:VC维与波普尔
（Popper）维度
129问题
1210参考文献
第13章无限VC维
131类层次及修正的PAC准则
132失配与复杂性间的平衡
133学习结果
134归纳偏置与简单性
135小结
136附录：均匀收敛与泛
致性
137问题
138参考文献
第14章函数估计问题
141估计
142成功准则
143*优估计：回归函数
144函数估计中的学习
145小结
146附录：均值回归
147问题
148参考文献
第15章学习函数估计
151函数估计与回归问题回顾
152*近邻规则
153核方法
154神经网络学习
155基于确定函数类的估计
156打散、伪维数与学习
157结论
158附录：估计中的准确度、
精度、偏差及方差
159问题
1510参考文献
第16章简明性
161科学中的简明性
1611对简明性的明确倡导
1612这个世界简单吗?
1613对简明性的错误诉求
1614对简明性的隐性诉求
162排序假设
1621两种简明性排序法
163两个实例
1631曲线拟合
1632枚举归纳
164简明性即表征简明性
1641要确定表征系统吗?
1642参数越少越简单吗?
165简明性的实用理论
166简明性和全局不确定性
167小结
168附录:基础科学和统计学习
理论
169问题
1610参考文献
第17章支持向量机
171特征向量的映射
172间隔*大化
173优化与支持向量
174实现及其与核方法的关联
175优化问题的细节
1751改写分离条件
1752间隔方程
1753用于不可分实例的松弛
变量
1754优化问题的重构和求解
176小结
177附录:计算
178问题
179参考文献
第18章集成学习
181弱学习规则
182分类器组合
183训练样本的分布
184自适应集成学习算法
（AdaBoost）
185训练数据的性能
186泛化性能
187小结
188附录：集成方法
189问题
1810参考文献