更新时间：2019-01-03 21:38:41
封面
版权信息
内容简介
自序
前言
第1章 引言
1.1 机器学习的目的：从数据到知识
1.2 机器学习的基本框架
1.3 机器学习思想简论
延伸阅读
习题
第2章 归类理论
2.1 类表示公理
2.2 归类公理
2.3 归类结果分类
2.4 归类方法设计准则
讨论
参考文献
第3章 密度估计
3.1 密度估计的参数方法
3.2 密度估计的非参数方法
第4章 回归
4.1 线性回归
4.2 岭回归
4.3 Lasso回归
第5章 单类数据降维
5.1 主成分分析
5.2 非负矩阵分解
5.3 字典学习与稀疏表示
5.4 局部线性嵌入
5.5 典型关联分析
5.6 多维度尺度分析与等距映射
第6章 聚类理论
6.1 聚类问题表示及相关定义
6.2 聚类算法设计准则
6.3 聚类有效性
第7章 聚类算法
7.1 样例理论：层次聚类算法
7.2 原型理论：点原型聚类算法
7.3 基于密度估计的聚类算法
第8章 分类理论
8.1 分类及相关定义
8.2 从归类理论到经典分类理论
8.3 分类测试公理
第9章 基于单类的分类算法：神经网络
9.1 分类问题的回归表示
9.2 人工神经网络
9.3 从参数密度估计到受限玻耳兹曼机
9.4 深度学习
第10章 K近邻分类模型
10.1 K近邻算法
10.2 距离加权最近邻算法
10.3 K近邻算法加速策略
10.4 kd树
10.5 K近邻算法中的参数问题
第11章 线性分类模型
11.1 判别函数和判别模型
11.2 线性判别函数
11.3 线性感知机算法
11.4 支持向量机
第12章 对数线性分类模型
12.1 Softmax回归
12.2 Logistic回归
第13章 贝叶斯决策
13.1 贝叶斯分类器
13.2 朴素贝叶斯分类
13.3 最小化风险分类
13.4 效用最大化分类
第14章 决策树
14.1 决策树的类表示
14.2 信息增益与ID3算法
14.3 增益比率与C4.5算法
