机器学习基础

第1章 绪论 1．1 人工智能 1．2 机器学习 1．3 基本概念 1．3．1 定义和术语 1．3．2 原理和假设 1．4 学习方法 1．4．1 监督学习 1．4．2 无监督学习 1．4．3 半监督学习 1．4．4 迁移学习 1．4．5 强化学习 1．4．6 连续学习 1．5 机器学习应用 1．6 本书结构 1．6．1 逻辑结构图 1．6．2 本书概要 习题 参考文献 第2章 无监督聚类分析 2．1 引言 2．1．1 聚类的含义 2．1．2 样本相似度的计算方法 2．2 性能评估 2．2．1 内部评估 2．2．2 外部评估 2．3 层次聚类算法 2．3．1 算法介绍 2．3．2 类别间的相似性度量及停止条件 2．3．3 算法特点 2．3．4 其他算法 2．4 K-均值聚类算法 2．4．1 算法介绍 2．4．2 算法流程 2．4．3 算法特点 2．4．4 算法变体 2．5 基于密度的聚类算法 2．5．1 算法介绍 2．5．2 算法特点 2．5．3 主要算法 2．6 谱聚类算法 2．6．1 算法思路 2．6．2 基本概念 2．6．3 算法建模 2．6．4 算法特点 习题 参考文献 第3章 有监督统计学习 3．1 引言 3．2 贝叶斯分类器 3．2．1 贝叶斯定理 3．2．2 *小错误率判别准则 3．2．3 *小风险判别准则 3．2．4 朴素贝叶斯判别器 3．2．5 概率图模型 3．3 概率密度估计 3．3．1 *大似然估计 3．3．2 *大后验估计 3．3．3 非参数的概率密度估计 3．4 采样方法 3．4．1 基本概念 3．4．2 马尔可夫链蒙特卡罗采样（MCMC） 3．4．3 Metropolis-Hastings采样 3．4．4 吉布斯采样 习题 参考文献 第4章 有监督判别学习 4．1 引言 4．2 线性判别分类 4．2．1 一对多情况 4．2．2 一对一情况 4．2．3 一对一情况特例 4．3 Fisher线性判别分析 4．4 支持向量机 4．4．1 模型构建与优化 4．4．2 核函数 4．4．3 软间隔与正则化 4．5 AdaBoost算法 4．6 决策树 4．6．1 决策树的度量指标 4．6．2 ID3算法 4．6．3 C4．5 算法 4．6．4 CART算法 4．6．5 决策树的剪枝 4．6．6 随机森林 习题 参考文献 …… 第5章 深度学习基础 第6章 网络优化与经典的深度卷积神经网络模型 第7章 深度学习前沿 第8章 目标检测 第9章 图像分割 中英文对照表 英文缩略表