模式识别和机器学习基础

目录

Fundamentals of Pattern Recognition and Machine Learning

译者序
前言
第1章概述111模式识别与机器学习1
12数学基础设置1
13预测2
14预测误差2
15监督学习与无监督学习3
16复杂性权衡3
17设计周期4
18应用实例5
181生物信息学5
182材料信息学7
19文献注释9
第2章最优分类1021无特征分类10
22有特征分类10
23贝叶斯分类器13
24贝叶斯误差16
25高斯模型19
251同方差情况20
252异方差情况22
26其他主题22
261极小极大分类22
262F误差24
263贝叶斯决策理论26
*264分类问题的严格表达27
27文献注释28
28练习29
29Python作业33
第3章基于实例的分类3631分类规则36
32分类错误率38
*33一致性38
34没有免费午餐定理41
35其他主题42
351集成分类42
352混合抽样与独立抽样43
36文献注释44
37练习44
38Python作业45
第4章参数分类4741参数替换规则47
42高斯判别分析48
421线性判别分析48
422二次判别分析51
43逻辑斯谛分类53
44其他主题54
441正则化判别分析54
*442参数规则的一致性55
443贝叶斯参数规则57
45文献注释59
46练习60
47Python作业62
第5章非参数分类6451非参数替换规则64
52直方图分类65
53最近邻分类66
54核分类68
55CoverHart定理70
*56Stone定理73
57文献注释74
58练习75
59Python作业76
第6章函数逼近分类7861支持向量机78
611可分数据的线性支持
向量机78
612一般线性支持向量机80
613非线性支持向量机82
62神经网络86
621反向传播训练89
622卷积神经网络92
*623神经网络的普遍逼近
性质94
624普遍一致性定理96
63决策树97
64有序分类器100
65文献注释101
66练习102
67Python作业104
第7章分类误差估计10871误差估计规则108
72误差估计性能109
721偏差分布109
722偏差、方差、均方根和
尾概率110
*723一致性111
73测试集误差估计112
74再代入误差估计113
75交叉验证114
76自助方法116
77增强误差估计118
78其他主题121
781凸误差估计器121
782平滑误差估计器123
783贝叶斯误差估计123
79文献注释126
710练习127
711Python作业129
第8章分类模型选择13181分类复杂性131
82VapnikChervonenkis理论134
*821有限模型选择134
822打散系数与VC维度135
823几种分类规则中的VC
参数136
824VapnikChervonenkis
定理139
825没有免费午餐定理139
83模型选择方法140
831验证误差最小化140
832训练集误差最小化141
833结构性风险最小化141
84文献注释142
85练习143
第9章降维14591面向分类任务的特征提取145
92特征选择146
921穷举搜索146
922单变量贪婪搜索147
923多变量贪婪搜索149
924特征选择与分类复杂性150
925特征选择与误差估计150
93主成分分析152
94多维缩放155
95因子分析156
96文献注释158
97练习159
98Python作业160
第10章聚类162101KMeans算法162
102高斯混合模型165
1021期望最大化方法166
1022与KMeans的关系170
103层次聚类171
104自组织映射173
105文献注释174
106练习175
107Python作业176
第11章回归178111最优回归178
112