机器学习导论（原书第2版）

译者序
原书前言
第 1章　一个简单的机器学习任务 //1
1.1　训练集和分类器 //1
1.2　题外话：爬山搜索 //4
1.3　机器学习中的爬山法 //6
1.4　分类器的性能 //8
1.5　可用数据的困难 //9
1.6　小结和历史简评 //11
1.7　巩固知识 //11
第 2章　概率：贝叶斯分类器 //14
2.1　单属性的情况 //14
2.2　离散属性值的向量 //17
2.3　稀少事件的概率：利用专家的直觉 //20
2.4　如何处理连续属性 //23
2.5　高斯钟形函数：一个标准的 pdf //24
2.6　用高斯函数的集合近似 pdf //26
2.7　小结和历史简评 //30
2.8　巩固知识 //30
第 3章　相似性：最近邻分类器 //32
3.1　k近邻法则 //32
3.2　度量相似性 //34
3.3　不相关属性与尺度缩放问题 //36
3.4　性能方面的考虑 //39
3.5　加权最近邻 //41 3.6　移除危险的样例 //42
3.7　移除多余的样例 //44
3.8　小结和历史简评 //46
3.9　巩固知识 //46
第 4章　类间边界：线性和多项式分类器 //49
4.1　本质 //49
4.2　加法规则：感知机学习 //51
4.3　乘法规则： WINNOW //55
4.4　多于两个类的域 //58
4.5　多项式分类器 //60
4.6　多项式分类器的特殊方面 //62
4.7　数值域和 SVM //63
4.8　小结和历史简评 //65
4.9　巩固知识 //66
第 5章　人工神经网络 //69
5.1　作为分类器的多层感知机 //69
5.2　神经网络的误差 //72
5.3　误差的反向传播 //73
5.4　多层感知机的特殊方面 //77
5.5　结构问题 //79
5.6　RBF网络 //81
5.7　小结和历史简评 //83
5.8　巩固知识 //84
第 6章　决策树 //86
6.1　作为分类器的决策树 //86
6.2　决策树的归纳学习 //89
6.3　一个属性承载的信息 //91
6.4　数值属性的二元划分 //94
6.5　剪枝 //96
6.6　将决策树转换为规则 //99
6.7　小结和历史简评 //101
6.8　巩固知识 //101
第 7章　计算学习理论 //104
7.1　PAC学习 //104
7.2　PAC可学习性的实例 //106
7.3　一些实践和理论结果 //108
7.4　VC维与可学习性 //110
7.5　小结和历史简评 //112
7.6　巩固知识 //112
第 8章　典型案例 //114
8.1　字符识别 //114
8.2　溢油检测 //117
8.3　睡眠分类 //119
8.4　脑机界面 //121
8.5　医疗诊断 //124
8.6　文本分类 //126
8.7　小结和历史简评 //127
8.8　巩固知识 //128
第 9章　投票组合简介 //130
9.1　“Bagging”方法 //130
9.2　“Schapire’s Boosting”方法 //132
9.3　“Adaboost”方法： “Boosting”方法的实用版本 //134
9.4　“Boosting”方法的变种 //138
9.5　该方法的计算优势 //139
9.6　小结和历史简评 //141
9.7　巩固知识 //141
第 10章　了解一些实践知识 //143
10.1　学习器的偏好 //143
10.2　不平衡训练集 //145
10.3　语境相关域 //148
10.4　未知属性值 //150
10.5　属性选择 //152
10.6　杂项 //154
10.7　小结和历史简评 //155
10.8　巩固知识 //156
第 11章　性能评估 //158
11.1　基本性能标准 //158
11.2　精度和查全率 //160
11.3　测量性能的其他方法 //163
11.4　学习曲线和计算开销 //166
11.5　实验评估的方法 //167
11.6　小结和历史简评 //169
11.7　巩固知识 //170
第 12章　统计显著性 //173
12.1　总体抽样 //173
12.2　从正态分布中获益 //176
12.3　置信区间 //178
12.4　一个分类器的统计评价 //180
12.5　另外一种统计评价 //182
12.6　机器学习技术的比较 //182
12.7　小结和历史简评 //184
12.8　巩固知识 //185
第 13章　多标签学习 //186
13.1　经典机器学习框架下的多标签
问题 //186
13.2　单独处理每类数据的方法：二元相关法 //188
13.3　分类器链 //190
13.4　另一种方法：层叠算法 //191
13.5　层次有序类的简介 //192
13.6　类聚合 //194
13.7　分类器性能的评价标准 //196
13.8　小结和历史简评 //198
13.9　巩固知识 //199
第 14章　无监督学习 //202
14.1　聚类分析 //202
14.2　简单算法： k均值 //204
14.3　k均值的高级版 //207
14.4　分层聚集 //209
14.5　自组织特征映射：简介 //211
14.6　一些重要的细节 //213
14.7　为什么要特征映射 //214
14.8　小结和历史简评 //215
14.9　巩固知识 //216
第 15章　规则集形式的分类器 //218
15.1　由规则描述的类别 //218
15.2　通过序列覆盖归纳规则集 //220
15.3　谓词与循环 //222
15.4　更多高级的搜索算子 //224
15.5　小结和历史简评 //225
15.6　巩固知识 //225
第 16章　遗传算法 //227
16.1　基本遗传算法 //227
16.2　个体模块的实现 //229
16.3　为什么能起作用 //231
16.4　过早退化的危险 //233
16.5　其他遗传算子 //234
16.6　高级版本 //235
16.7　kNN分类器的选择 //237
16.8　小结和历史简评 //239
16.9　巩固知识 //240
第 17章　强化学习 //241
17.1　如何选出最高奖励的动作 //241
17.2　游戏的状态