机器学习

\\\\\\\\\\\\\\\"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：第 1 部分（第 1～3 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（第 11～16 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.\\\\\\\\\\\\\\\"

周志华 教授，南京大学计算机系主任、人工智能学院院长、校学术委员会委员。欧洲科学院外籍院士。人工智能相关五大主流国际学会ACM、AAAI、AAAS、IEEE、IAPR均入选Fellow的首位华人学者，中国计算机学会、中国人工智能学会会士。曾获IEEE计算机学会Edward J. McCluskey技术成就奖、CCF王选奖等。

目录 第1章绪论 1.1引言 1.2 基本术语 2 1.3 假设空间 1.4 归纳偏好 6 1.5发展历程 10 1.6 应用现状 13 1.7阅读材料 16 习题 19 参考文献 20 休息一会儿22 第2章模型评估与选择 23 2.1经验误差与过拟合23 2.2 评估方法 24 2.3 性能度量 28 2.4 比较检验 37 2.5偏差与方差 44 2.6 阅读材料 46 习题 48 参考文献 49 休息一会儿 51 第3章线性模型 53 3.1基本形式 53 3.2 线性回归 53 3.3对数几率回归 57 3.4线性判别分析 60 3.5多分类学习 63 3.6类别不平衡问题66 3.7阅读材料 67 习题6 9 参考文献 70 休息一会儿 第4章决策树 73 4.1 基本流程 73 4.2划分选择 75 4.3剪枝处理 79 4.4连续 与缺失值 83 4.5多变量决策树 88 4.6阅读材料 92 习题 93 参考文献 94 休息-会儿 95 第5章神经网络 5.1 神经元模型 5.2感知机与多层网络 98 5.3误差逆传播算法 101 5.4全局最小与局部极小 106 5.5其他常见神经网络 l08 5.7阅读材料 115 习题 116 参考文献 117 休息一-会儿 120 第6章支持向量 6.1间隔与支持向量 1216.2对偶问题123 6.3核函数 126 6.4软间隔与正则化129 6.5支持向量回归133 6.6 核方法 137 6.7阅读材料 139 习题 141 参考文献142 休息一会儿 145 第7章贝叶斯分类器 7.1贝叶斯决策论 147 7.2 极大似然估计 149 7.3朴素贝叶斯分类器 150 7.4半朴素贝叶斯分类器 154 7.5贝叶斯网 156 7.6EM算法 7.7阅读材料 164 习题 166 参考文献 167 休息一会儿 169 第8章集成学习 8.1个体与集成171 8.2 Boosting 173 8.3 Bagging与随机森林 8.5多样性 8.6阅读材料190 习题 192 参考文献 193 休息一会儿 196 第9章聚类 9.1聚类任务 9.2性能度量 197 9.3距离计算 199 9.4原型聚类 202 9.5密度聚类 9.6层次聚类 214 9.7 阅读材料 217 习题 220 参考文献 休息一-会儿 224 第10章降维与度量学习 225 10.1 k近邻学习 10.2 低维嵌入 226 10.3 主成分分析 229 10.4核化线性降维 232 10.5流形学习 234 10.6 度量学习 10.7阅读材料 240 习题 242 参考文献 243 休息一会儿 246 第11章特征选择与稀疏学习 11.1子集搜索与评价 247 11.2 过滤式选择 249 11.3包裹式选择 250 11.4嵌入式选择与L正则化 252 11.5稀疏表示与字典学习 11.6压缩感知 257 11.7 阅读材料 习题 262 参考文献 休息一会儿 第12章计算学习理论 12.1 基础知识267 12.2 PAC学习 268 12.3有限假设空间270 12.4 VC维 273 12.5 Radenacher复杂度 12.6稳定性 279 12.7阅读材料 284 习题 287 参考文献 289 休息一会儿 290 第13章半监督学习. 13.1未标记样本 293 13.2生成式方法295 13.3半监督SVM2958 13.4 图半监督学习 300 13.5 基于分歧的方法304 13.6半监督聚类307 13.7阅读材料311 习题 313 参考文献 314 休息一会儿 317 第14章概率图模型. 14.1 隐马尔可夫模型 319 14.2马尔可夫随机场 322 14.3 条件随机场325 14.4学习与推断 328 14.5近似推断 14.6话题模型 3317 14.7阅读材料 习题 3341 参考文献 342 休息一会儿345 第15章 15.1基本概念 347 15.2序贯覆盖 349 15.3剪枝优化 352 15.4一阶规则学习354 15.5归纳逻辑程序设计 357 15.6阅读材料 363 习题 365 参考文献 366 休息一会儿 369 第16章强化学习 16.1 任务与奖赏 16.2 K描臂赌博机 16.3 有模型学习 16.4免模型学习 16.5值函数近似 16.6模仿学习 16.7阅读材料 习题 参考文献 休息一会儿 附录 A矩阵 B优化 C概率分布 后记 417 索引419