更新时间：2023-12-21 17:28:18
封面
版权信息
版权
内容提要
序
前言
主要符号表
第1章 绪论
1.1 引言
1.2 基本术语
1.3 假设空间
1.4 归纳偏好
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.3 性能度量
2.4 比较检验
2.5 偏差与方差
第3章 线性模型
3.1 基本形式
3.2 线性回归
3.3 对率回归
3.4 线性判别分析
3.5 多分类学习
3.6 类别不平衡问题
第4章 决策树
4.1 基本流程
4.2 划分选择
4.3 剪枝处理
4.4 连续值与缺失值
4.5 多变量决策树
第5章 神经网络
5.1 神经元模型
5.2 感知机与多层网络
5.3 误差逆传播算法
5.4 全局最小与局部极小
5.5 其他常见神经网络
5.6 深度学习
第6章 支持向量机
6.1 间隔与支持向量
6.2 对偶问题
6.3 核函数
6.4 软间隔与正则化
6.5 支持向量回归
6.6 核方法
第7章 贝叶斯分类器
7.1 贝叶斯决策论
7.2 极大似然估计
7.3 朴素贝叶斯分类器
7.4 半朴素贝叶斯分类器
7.5 贝叶斯网
7.6 EM算法
第8章 集成学习
8.1 个体与集成
8.2 Boosting
8.3 Bagging与随机森林
8.4 结合策略
8.5 多样性
8.6 Gradient Boosting、GBDT、XGBoost的联系与区别
第9章 聚类
9.1 聚类任务
9.2 性能度量
9.3 距离计算
9.4 原型聚类
9.5 密度聚类
9.6 层次聚类
第10章 降维与度量学习
10.1 预备知识
10.2 矩阵的范数与迹
10.3 近邻学习
10.4 低维嵌入
10.5 主成分分析
10.6 核化线性降维
10.7 流形学习
10.8 度量学习
第11章 特征选择与稀疏学习
11.1 子集搜索与评价
11.2 过滤式选择
11.3 包裹式选择
11.4 嵌入式选择与正则化
11.5 稀疏表示与字典学习
11.6 压缩感知
第12章 计算学习理论
12.1 基础知识
12.2 PAC学习
12.3 有限假设空间
12.4 VC维
12.5 Rademacher复杂度
12.6 定理12.6的解释
12.7 稳定性
第13章 半监督学习
13.1 未标记样本
13.2 生成式方法
13.3 半监督SVM
13.4 图半监督学习
13.5 基于分歧的方法
13.6 半监督聚类
第14章 概率图模型
14.1 隐马尔可夫模型
14.2 马尔可夫随机场
