●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
1．5发展历程
1．6应用现状
1．7阅读材料
习题
参考文献
休息一会儿
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
2．6阅读材料
习题
参考文献
休息一会儿
第3章线性模型
3．1基本形式
3．2线性回归
3．3对数几率回归
3．4线性判别分析
3．5多分类学习
3．6类别不平衡问题
3．7阅读材料
习题
参考文献
休息一会儿
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连续与缺失值
4．5多变量决策树
4．6阅读材料
习题
参考文献
休息一会儿
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
5．7阅读材料
习题
参考文献
休息一会儿
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
……
第7章贝叶斯分类器
第8章集成学习
第9章聚类
0章降维与度量学习
1章特征选择与稀疏学习
2章计算学习理论
3章半监督学习
4章概率图模型
5章规则学习
6章强化学习
附录
后记
索引
内容简介
机器学习是计算机科学的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：部分（～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（1～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索.本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考.
评论晒单