目錄
Introduction to Machine Learning，Third Edition
出版者的話
譯者序
前言
符號說明
第1章引言1
11什么是機器學習1
12機器學習的應用實例2
121學習關聯(lián)性2
122分類3
123回歸5
124非監(jiān)督學習6
125增強學習7
13注釋8
14相關資源10
15習題11
16參考文獻12
第2章監(jiān)督學習13
21由實例學習類13
22VC維16
23概率近似正確學習16
24噪聲17
25學習多類18
26回歸19
27模型選擇與泛化21
28監(jiān)督機器學習算法的維23
29注釋24
210習題25
211參考文獻26
第3章貝葉斯決策理論27
31引言27
32分類28
33損失與風險29
34判別式函數(shù)30
35關聯(lián)規(guī)則31
36注釋33
37習題33
38參考文獻36
第4章參數(shù)方法37
41引言37
42最大似然估計37
421伯努利密度38
422多項式密度38
423高斯（正態(tài)）密度39
43評價估計：偏倚和方差39
44貝葉斯估計40
45參數(shù)分類42
46回歸44
47調(diào)整模型的復雜度：偏倚/方差兩難選擇46
48模型選擇過程49
49注釋51
410習題51
411參考文獻53
第5章多元方法54
51多元數(shù)據(jù)54
52參數(shù)估計54
53缺失值估計55
54多元正態(tài)分布56
55多元分類57
56調(diào)整復雜度61
57離散特征62
58多元回歸63
59注釋64
510習題64
511參考文獻66
第6章維度歸約67
61引言67
62子集選擇67
63主成分分析70
64特征嵌入74
65因子分析75
66奇異值分解與矩陣分解78
67多維定標79
68線性判別分析82
69典范相關分析85
610等距特征映射86
611局部線性嵌入87
612拉普拉斯特征映射89
613注釋90
614習題91
615參考文獻92
第7章聚類94
71引言94
72混合密度94
73k均值聚類95
74期望最大化算法98
75潛在變量混合模型100
76聚類后的監(jiān)督學習101
77譜聚類102
78層次聚類103
79選擇簇個數(shù)104
710注釋104
711習題105
712參考文獻106
第8章非參數(shù)方法107
81引言107
82非參數(shù)密度估計108
821直方圖估計108
822核估計109
823k最近鄰估計110
83推廣到多變元數(shù)據(jù)111
84非參數(shù)分類112
85精簡的最近鄰112
86基于距離的分類113
87離群點檢測115
88非參數(shù)回歸：光滑模型116
881移動均值光滑116
882核光滑117
883移動線光滑119
89如何選擇光滑參數(shù)119
810注釋120
811習題121
812參考文獻122
第9章決策樹124
91引言124
92單變量樹125
921分類樹125
922回歸樹128
93剪枝130
94由決策樹提取規(guī)則131
95由數(shù)據(jù)學習規(guī)則132
96多變量樹134
97注釋135
98習題137
99參考文獻138
第10章線性判別式139
101引言139
102推廣線性模型140
103線性判別式的幾何意義140
1031兩類問題140
1032多類問題141
104逐對分離142
105參數(shù)判別式的進一步討論143
106梯度下降144
107邏輯斯諦判別式145
1071兩類問題145
1072多類問題147
108回歸判別式150
109學習排名151
1010注釋152
1011習題152
1012參考文獻154
第11章多層感知器155
111引言155
1111理解人腦155
1112神經(jīng)網(wǎng)絡作為并行處理的典范156
112感知器157
113訓練感知器159
114學習布爾函數(shù)160
115多層感知器161
116作為普適近似的MLP162
117向后傳播算法163
1171非線性回歸163
1172兩類判別式166
1173多類判別式166
書單推薦
