包邮机器学习导论

推荐序前言第1章 一个简单的机器学习任务// 1.1训练集和分类器// 1.2一点题外话：爬山搜索// 1.3机器学习中的爬山法// 1.4分类器的性能// 1.5可用数据的困难// 1.6总结和历史简评// 1.7巩固你的知识// 第2章 概率：贝叶斯分类器// 2.1单属性的情况// 2.2离散属性值的向量// 2.3稀少事件的概率：利用专家的直觉// 2.4如何处理连续属性// 2.5高斯钟形函数：一个标准的概率密度函数// 2.6用高斯函数的集合近似概率密度函数// 2.7总结和历史简评// 2.8巩固你的知识// 第3章 相似性：*近邻分类器// 3.1k近邻法则// 3.2度量相似性// 3.3不相关属性与尺度缩放问题// 3.4性能方面的考虑// 3.5加权*近邻// 3.6移除危险的样例// 3.7移除多余的样例// 3.8总结和历史简评// 3.9巩固你的知识// 第4章 类间边界：线性和多项式分类器// 4.1本质// 4.2加法规则：感知机学习// 4.3乘法规则：WINNOW// 4.4多于两个类的域// 4.5多项式分类器// 4.6多项式分类器的特殊方面// 4.7数值域和支持向量机// 4.8总结和历史简评// 4.9巩固你的知识// 第5章 人工神经网络// 5.1作为分类器的多层感知机// 5.2神经网络的误差// 5.3误差的反向传播// 5.4多层感知机的特殊方面// 5.5结构问题// 5.6径向基函数网络// 5.7总结和历史简评// 5.8巩固你的知识// 第6章 决策树// 6.1作为分类器的决策树// 6.2决策树的归纳学习// 6.3一个属性承载了多少信息// 6.4数值属性的二元划分// 6.5剪枝// 6.6将决策树转换为规则// 6.7总结和历史简评// 6.8巩固你的知识// 第7章 计算学习理论// 7.1PAC 学习// 7.2PAC可学习性的实例// 7.3一些实践和理论结果// 7.4VC维与可学习性// 7.5总结和历史简评// 7.6巩固你的知识// 第8章 几个有帮助的案例// 8.1字符识别// 8.2溢油检测// 8.3睡眠分类// 8.4脑机界面// 8.5医疗诊断// 8.6文本分类// 8.7总结和历史简评// 8.8巩固你的知识// 第9章 投票组合简介// 9.1“装袋”方法(Bagging)// 9.2夏皮尔提升(Schapires Boosting)// 9.3Adaboost——Boosting的实用版本// 9.4Boosting方法的变种// 9.5Boosting方法的计算优势// 9.6总结和历史简评// 9.7巩固你的知识// 第10章 了解一些实践知识// 10.1学习器的偏好// 10.2不平衡训练集// 10.3语境相关域// 10.4未知属性值// 10.5属性选择// 10.6杂项// 10.7总结和历史简评// 10.8巩固你的知识// 第11章 性能评估// 11.1基本性能标准// 11.2精度和查全率// 11.3测量性能的其他方法// 11.4多标签域内的性能// 11.5学习曲线和计算开销// 11.6实验评估的方法// 11.7总结和历史简评// 11.8巩固你的知识// 第12章 统计显著性// 12.1总体抽样// 12.2从正态分布中获益// 12.3置信区间// 12.4一个分类器的统计评价// 12.5另外一种统计评价// 12.6机器学习技术的比较// 12.7总结和历史简评// 12.8巩固你的知识// 第13章 遗传算法// 13.1基本遗传算法// 13.2单个模块的实现// 13.3为什么能起作用// 13.4过早退化的危险// 13.5其他遗传算子// 13.6高级版本// 13.7k-NN 分类器的选择// 13.8总结和历史简评// 13.9巩固你的知识// 第14章 增强学习// 14.1如何选出*高奖励的动作// 14.2游戏的状态和动作// 14.3SARSA方法// 14.4总结和历史简评// 14.5巩固你的知识// 参考文献//信息