包邮机器学习

前言第1章　绪论 11.1　机器学习的定义 11.2　机器学习的发展历史 21.3　机器学习的分类 51.3.1　基于学习系统的反馈分类 51.3.2　基于所获取知识的表示形式分类 61.3.3　基于应用领域分类 71.3.4　综合分类 71.4　性能度量 91.4.1　数据集 91.4.2　误差 101.4.3　过拟合与欠拟合 101.4.4　评估方法 10前言第1章　绪论 11.1　机器学习的定义 11.2　机器学习的发展历史 21.3　机器学习的分类 51.3.1　基于学习系统的反馈分类 51.3.2　基于所获取知识的表示形式分类 61.3.3　基于应用领域分类 71.3.4　综合分类 71.4　性能度量 91.4.1　数据集 91.4.2　误差 101.4.3　过拟合与欠拟合 101.4.4　评估方法 101.4.5　性能度量 11本章小结 16习题 17参考文献 17第2章　EM算法和高斯混合模型 192.1　EM算法 192.1.1　极大似然估计 192.1.2　EM算法的引入 202.1.3　EM算法的推导 212.1.4　EM算法的步骤 232.1.5　EM算法的收敛性 242.2　高斯混合模型 252.2.1　单高斯模型 252.2.2　高斯混合模型 262.2.3　GMM参数估计 27本章小结 29习题 29参考文献 29第3章　主题模型 313.1　传统的主题模型 313.1.1　VSM 313.1.2　LSI模型 323.2　概率主题模型 333.2.1　LDA主题模型 333.2.2　HDP-LDA主题模型 403.3　具有Zipf定律性质的主题模型 443.3.1　PY过程 453.3.2　PHTM主题模型 463.4　PHTM推理算法 48本章小结 51习题 51参考文献 52第4章　采样与非参数贝叶斯方法 544.1　单个随机变量采样 544.1.1　通过逆累积分布函数采样 554.1.2　拒绝采样（Rejection Sampling） 564.1.3　重要性采样（Importance Sampling） 574.2　序列随机变量采样与马尔可夫链蒙特卡罗 584.2.1　MH算法 594.2.2　吉布斯采样 604.2.3　切片采样（Slice Sampling） 604.3　非参数贝叶斯与狄利克雷过程 614.3.1　非参数贝叶斯 614.3.2　狄利克雷过程 624.4　狄利克雷过程的构造方式 634.4.1　波利亚坛子过程 634.4.2　折棍子过程 644.4.3　中国餐馆过程 66本章小结 68习题 68参考文献 69第5章　聚类分析 705.1　数据相似性度量 705.2　经典聚类算法 755.2.1　划分方法 755.2.2　层次聚类 755.2.3　基于密度的聚类 765.2.4　基于网格的方法 775.2.5　基于模型的方法 785.3　k-means、k中心点方法及其改进方法 795.3.1　k-means 795.3.2　k中心点 805.3.3　核k-means 815.3.4　EM聚类 845.3.5　基于随机搜索应用于大型应用的聚类算法CLARANS 875.4　谱聚类 885.4.1　相似图 895.4.2　拉普拉斯矩阵 895.4.3　谱聚类算法 915.5　基于约束的聚类 925.5.1　含有障碍物的对象聚类 935.5.2　用户约束的聚类分析 935.5.3　半监督聚类分析 945.6　在线聚类 945.7　聚类与降维 95本章小结 97习题 97参考文献 98第6章　支持向量机 1006.1　统计学习理论 1006.1.1　经验风险*小化 1006.1.2　VC维 1016.1.3　结构风险*小化 1026.2　支持向量机的基本原理 1036.3　支持向量机分类器 1046.3.1　线性支持向量机分类器 1046.3.2　非线性可分的支持向量机分类器 1076.3.3　一类分类 1096.3.4　多类分类 1106.4　核函数 1136.4.1　核函数的定义 1146.4.2　核函数的构造 1146.4.3　几种常用的核函数 1166.5　支持向量回归机 1176.6　支持向量机的应用实例 1206.6.1　图像分类 1206.6.2　其他应用 124本章小结 124习题 125参考文献 125第7章　概率无向图模型 1277.1　概率无向图模型 1277.2　对数线性模型 1297.2.1　逻辑斯蒂回归模型 1297.2.2　*大熵模型 1327.2.3　马尔可夫随机场 1377.3　条件随机场 1377.3.1　模型 1377.3.2　条件随机场的关键问题 139本章小结 143习题 143参考文献 143第8章　概率有向图模型 1458.1　概率有向图模型 1458.2　贝叶斯网络 1468.2.1　贝叶斯定理 1478.2.2　有向分离 1488.2.3　贝叶斯网络构造 1508.2.4　贝叶斯网络学习 1508.3　隐马尔可夫模型 1628.3.1　隐马尔可夫模型描述 1628.3.2　隐马尔可夫模型的三个基本问题 164本章小结 171习题 172参考文献 172第9章　矩阵与张量分解 1749.1　等值与低秩矩阵分解 1749.2　非负矩阵分解 1769.3　矩阵分解与推荐系统 1809.4　张量分解 1819.5　非负张量分解 185本章小结 187习题 187参考文献 189第10章　多层感知机与卷积神经网络 19010.1　感知机 19010.2?多层感知机 19310.2.1　误差反传算法 19310.2.2　多层感知机的优势和局限性 19710.2.3　误差反传算法的改进 19810.3?卷积神经网络 20310.3.1　卷积神经网络的生物学基础 20310.3.2　卷积的基本操作 20410.3.3　典型卷积神经网络 20910.3.4　卷积神经网络的训练技巧 215本章小结 217习题 217参考文献 218第11章　序列神经网络 22011.1?循环神经网络结构 22011.2　循环神经网络的训练 22211.2.1　损失函数 22211.2.2　时间反向传播算法 22211.2.3　梯度消失与梯度爆炸 22411.3　双向循环神经网