机器学习导论 作者：（美）米罗斯拉夫·库巴特 著 出版时间：2016内容简介 这本书通过给出易操作的实践指导、采用简单的例子、激励学生讨论有趣的应用问题，用一种易于理解的方式介绍了机器学习的基本思想。本书主题包括贝叶斯分类器、近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机。后面的章节展示了如何把这些简单工具通过“提升”（boosting）的方式结合起来，怎样将它们应用于更加复杂的领域，以及如何处理各种高级的实践问题。其中有一章介绍了广为人知的遗传算法。目录推荐序前言第1章 一个简单的机器学习任务//1.1训练集和分类器//1.2一点题外话：爬山搜索//1.3机器学习中的爬山法//1.4分类器的性能//1.5可用数据的困难//1.6总结和历史简评//1.7巩固你的知识//第2章 概率：贝叶斯分类器//2.1单属性的情况//2.2离散属性值的向量//2.3稀少事件的概率：利用专家的直觉//2.4如何处理连续属性//2.5高斯钟形函数：一个标准的概率密度函数//2.6用高斯函数的集合近似概率密度函数//2.7总结和历史简评//2.8巩固你的知识//第3章 相似性：最近邻分类器//3.1k近邻法则//3.2度量相似性//3.3不相关属性与尺度缩放问题//3.4性能方面的考虑//3.5加权最近邻//3.6移除危险的样例//3.7移除多余的样例//3.8总结和历史简评//3.9巩固你的知识//第4章 类间边界：线性和多项式分类器//4.1本质//4.2加法规则：感知机学习//4.3乘法规则：WINNOW//4.4多于两个类的域//4.5多项式分类器//4.6多项式分类器的特殊方面//4.7数值域和支持向量机//4.8总结和历史简评//4.9巩固你的知识//第5章 人工神经网络//5.1作为分类器的多层感知机//5.2神经网络的误差//5.3误差的反向传播//5.4多层感知机的特殊方面//5.5结构问题//5.6径向基函数网络//5.7总结和历史简评//5.8巩固你的知识//第6章 决策树//6.1作为分类器的决策树//6.2决策树的归纳学习//6.3一个属性承载了多少信息//6.4数值属性的二元划分//6.5剪枝//6.6将决策树转换为规则//6.7总结和历史简评//6.8巩固你的知识//第7章 计算学习理论//7.1PAC 学习//7.2PAC可学习性的实例//7.3一些实践和理论结果//7.4VC维与可学习性//7.5总结和历史简评//7.6巩固你的知识//第8章 几个有帮助的案例//8.1字符识别//8.2溢油检测//8.3睡眠分类//8.4脑机界面//8.5医疗诊断//8.6文本分类//8.7总结和历史简评//8.8巩固你的知识//第9章 投票组合简介//9.1“装袋”方法(Bagging)//9.2夏皮尔提升(Schapires Boosting)//9.3Adaboost——Boosting的实用版本//9.4Boosting方法的变种//9.5Boosting方法的计算优势//9.6总结和历史简评//9.7巩固你的知识//第10章 了解一些实践知识//10.1学习器的偏好//10.2不平衡训练集//10.3语境相关域//10.4未知属性值//10.5属性选择//10.6杂项//10.7总结和历史简评//10.8巩固你的知识//第11章 性能评估//11.1基本性能标准//11.2精度和查全率//11.3测量性能的其他方法//11.4多标签域内的性能//11.5学习曲线和计算开销//11.6实验评估的方法//11.7总结和历史简评//11.8巩固你的知识//第12章 统计显著性//12.1总体抽样//12.2从正态分布中获益//12.3置信区间//12.4一个分类器的统计评价//12.5另外一种统计评价//12.6机器学习技术的比较//12.7总结和历史简评//12.8巩固你的知识//第13章 遗传算法//13.1基本遗传算法//13.2单个模块的实现//13.3为什么能起作用//13.4过早退化的危险//13.5其他遗传算子//13.6高级版本//13.7k-NN 分类器的选择//13.8总结和历史简评//13.9巩固你的知识//第14章 增强学习//14.1如何选出最高奖励的动作//14.2游戏的状态和动作//14.3SARSA方法//14.4总结和历史简评//14.5巩固你的知识//参考文献// 上一篇: 多智能体机器学习：强化学习方法 下一篇: 大数据丛书 人工智能中的深度结构学习
