机器学习与推理

第1章 绪论 1.1 人工智能发展 1.2 机器学习 1.2.1 机器学习概念 1.2.2 机器学习方法 1.2.3 机器学习分类 1.3 模型推理 1.3.1 模型分类 1.3.2 模型推理概念 1.3.3 模型推理方法 1.4 应用例子 1.5 内容安排 习题 篇 机器学习 第2章 统计决策方法 2.1 贝叶斯决策 2.1.1 小错误率贝叶斯决策 2.1.2 小风险贝叶斯决策 2.1.3 Neyman-Pearson决策 2.1.4 贝叶斯决策规则比较 2.1.5 正态分布统计决策 2.2 概率密度函数估计 2.2.1 参数估计——极大似然法 2.2.2 参数估计—— 后验法 2.2.3 参数估计——贝叶斯方法 2.2.4 概率密度函数估计——贝叶斯学习 2.2.5 非参数概率密度函数估计——k近邻法 2.2.6 非参数概率密度函数估计——Parzen窗法 习题 第3章 监督学习方法 3.1 小二乘法 3.1.1 线性回归 3.1.2 逻辑回归 3.1.3 均方误差估计 3.2 支持向量机 3.2.1 标准支持向量机 3.2.2 软间隔与正则化 3.2.3 支持向量回归 3.3 核方法与正则化 3.3.1 广义线性模型 3.3.2 核支持向量机 3.3.3 正则化理论 3.4 神经网络 3.4.1 感知器 3.4.2 神经网络结构 3.4.3 反向传播算法 3.5 复合学习方法 3.5.1 集成学习 3.5.2 多任务学习 3.5.3 迁移学习