包邮智能科学与技术丛书机器学习基础

译者序 前言 第1章　引言11.1　应用与问题11.2　定义与术语21.3　交叉验证41.4　学习情境51.5　本书概览6 第2章　PAC学习框架82.1　PAC学习模型82.2　对有限假设集的学习保证——一致的情况122.3　对有限假设集的学习保证——不一致的情况162.4　泛化性182.4.1　确定性与随机性情境182.4.2　贝叶斯误差与噪声192.4.3　估计误差与近似误差192.4.4　模型选择202.5　文献评注212.6　习题22 第3章　Rademacher复杂度和VC-维253.1　Rademacher复杂度253.2　生长函数293.3　VC-维313.4　下界363.5　文献评注413.6　习题42 第4章　支持向量机474.1　线性分类474.2　可分情况下的支持向量机484.2.1　原始优化问题484.2.2　支持向量494.2.3　对偶优化问题504.2.4　留一法514.3　不可分情况下的支持向量机524.3.1　原始优化问题534.3.2　支持向量544.3.3　对偶优化问题554.4　间隔理论564.5　文献评注624.6　习题62 第5章　核方法655.1　引言655.2　正定对称核675.2.1　定义675.2.2　再生核希尔伯特空间695.2.3　性质705.3　基于核的算法735.3.1　具有PDS核的SVM735.3.2　表示定理745.3.3　学习保证755.4　负定对称核765.5　序列核785.5.1　加权转换器795.5.2　有理核825.6　文献评注855.7　习题85 第6章　boosting896.1　引言896.2　AdaBoost算法906.2.1　经验误差的界926.2.2　与坐标下降的关系936.2.3　与逻辑回归的关系946.2.4　实践中的标准使用方式956.3　理论结果956.3.1　基于VC-维的分析966.3.2　基于间隔的分析966.3.3　间隔*大化1006.3.4　博弈论解释1016.4　讨论1036.5　文献评注1046.6　习题105 第7章　在线学习1087.1　引言1087.2　有专家建议的预测1097.2.1　错误界和折半算法1097.2.2　加权多数算法1107.2.3　随机加权多数算法1117.2.4　指数加权平均算法1147.3　线性分类1177.3.1　感知机算法1177.3.2　Winnow算法1227.4　在线到批处理的转换1247.5　与博弈论的联系1277.6　文献评注1277.7　习题128 第8章　多分类1338.1　多分类问题1338.2　泛化界1348.3　直接型多分类算法1398.3.1　多分类SVM1398.3.2　多分类boosting算法1408.3.3　决策树1418.4　类别分解型多分类算法1448.4.1　一对多1448.4.2　一对一1458.4.3　纠错编码1468.5　结构化预测算法1488.6　文献评注1498.7　习题150 第9章　排序1529.1　排序问题1529.2　泛化界1539.3　使用SVM进行排序1559.4　RankBoost1569.4.1　经验误差界1589.4.2　与坐标下降的关系1599.4.3　排序问题集成算法的间隔界1609.5　二部排序1619.5.1　二部排序中的boosting算法1629.5.2　ROC曲线下面积1649.6　基于偏好的情境1659.6.1　两阶段排序问题1669.6.2　确定性算法1679.6.3　随机性算法1689.6.4　关于其他损失函数的扩展1689.7　讨论1699.8　文献评注1709.9　习题171 第10章　回归17210.1　回归问题17210.2　泛化界17310.2.1　有限假设集17310.2.2　Rademacher复杂度界17410.2.3　伪维度界17510.3　回归算法17710.3.1　线性回归17810.3.2　核岭回归17910.3.3　支持向量回归18210.3.4　Lasso18610.3.5　组范数回归算法18810.3.6　在线回归算法18910.4　文献评注19010.5　习题190 第11章　算法稳定性19311.1　定义19311.2　基于稳定性的泛化保证19411.3　基于核的正则化算法的稳定性19611.3.1　应用于回归算法：SVR和KRR19811.3.2　应用于分类算法：SVM20011.3.3　讨论20011.4　文献评述20111.5　习题201 第12章　降维20312.1　主成分分析20412.2　核主成分分析20512.3　KPCA和流形学习20612.3.1　等距映射20612.3.2　拉普拉斯特征映射20712.3.3　局部线性嵌入20712.4　Johnson-Lindenstrauss引理20812.5　文献评注21012.6　习题210 第13章　学习自动机和语言21213.1　引言21213.2　有限自动机21313.3　高效精确学习21413.3.1　被动学习21413.3.2　通过查询学习21513.3.3　通过查询学习自动机21613.4　极限下的识别22013.5　文献评注22413.6　习题225 第14章　强化学习22714.1　学习情境22714.2　马尔可夫决策过程模型22814.3　策略22914.3.1　定义22914.3.2　策略值22914.3.3　策略评估23014.3.4　*优策略23014.4　规划算法23114.4.1　值迭代23114.4.2　策略迭代23314.4.3　线性规划23514.5　学习算法23514.5.1　随机逼近23614.5.2　TD（0）算法23914.5.3　Q-学习算法24014.5.4　SARSA24214.5.5　TD（λ）算法24214.5.6　大状态空间24314.6　文献评注244 结束语245 附录A　线性代数回顾246 附录B　凸优化251 附录C　概率论回顾257 附录D　集中不等式264 附录E　符号273 索引274 参考文献 　参考文献为网络资源，请访问华章网站www.hzbook.com下载。——编辑注