机器学习导论（原书第3版）

目录

Introduction to Machine Learning，Third Edition

出版者的话

译者序

前言

符号说明

第1章引言1

11什么是机器学习1

12机器学习的应用实例2

121学习关联性2

122分类3

123回归5

124非监督学习6

125增强学习7

13注释8

14相关资源10

15习题11

16参考文献12

第2章监督学习13

21由实例学习类13

22VC维16

23概率近似正确学习16

24噪声17

25学习多类18

26回归19

27模型选择与泛化21

28监督机器学习算法的维23

29注释24

210习题25

211参考文献26

第3章贝叶斯决策理论27

31引言27

32分类28

33损失与风险29

34判别式函数30

35关联规则31

36注释33

37习题33

38参考文献36

第4章参数方法37

41引言37

42最大似然估计37

421伯努利密度38

422多项式密度38

423高斯（正态）密度39

43评价估计：偏倚和方差39

44贝叶斯估计40

45参数分类42

46回归44

47调整模型的复杂度：偏倚/方差两难选择46

48模型选择过程49

49注释51

410习题51

411参考文献53

第5章多元方法54

51多元数据54

52参数估计54

53缺失值估计55

54多元正态分布56

55多元分类57

56调整复杂度61

57离散特征62

58多元回归63

59注释64

510习题64

511参考文献66

第6章维度归约67

61引言67

62子集选择67

63主成分分析70

64特征嵌入74

65因子分析75

66奇异值分解与矩阵分解78

67多维定标79

68线性判别分析82

69典范相关分析85

610等距特征映射86

611局部线性嵌入87

612拉普拉斯特征映射89

613注释90

614习题91

615参考文献92

第7章聚类94

71引言94

72混合密度94

73k均值聚类95

74期望最大化算法98

75潜在变量混合模型100

76聚类后的监督学习101

77谱聚类102

78层次聚类103

79选择簇个数104

710注释104

711习题105

712参考文献106

第8章非参数方法107

81引言107

82非参数密度估计108

821直方图估计108

822核估计109

823k最近邻估计110

83推广到多变元数据111

84非参数分类112

85精简的最近邻112

86基于距离的分类113

87离群点检测115

88非参数回归：光滑模型116

881移动均值光滑116

882核光滑117

883移动线光滑119

89如何选择光滑参数119

810注释120

811习题121

812参考文献122

第9章决策树124

91引言124

92单变量树125

921分类树125

922回归树128

93剪枝130

94由决策树提取规则131

95由数据学习规则132

96多变量树134

97注释135

98习题137

99参考文献138

第10章线性判别式139

101引言139

102推广线性模型140

103线性判别式的几何意义140

1031两类问题140

1032多类问题141

104逐对分离142

105参数判别式的进一步讨论143

106梯度下降144

107逻辑斯谛判别式145

1071两类问题145

1072多类问题147

108回归判别式150

109学习排名151

1010注释152

1011习题152

1012参考文献154

第11章多层感知器155

111引言155

1111理解人脑155

1112神经网络作为并行处理的典范156

112感知器157

113训练感知器159

114学习布尔函数160

115多层感知器161

116作为普适近似的MLP162

117向后传播算法163

1171非线性回归163

1172两类判别式166

1173多类判别式166