第1章 绪论

1.1什么是机器学习

1.2机器学习的应用实例

1.2.1学习关联性

1.2.2分类

1.2.3回归

1.2.4非监督学习

1.2.5增强学习

1.3注释

1.4相关资源

1.5习题

1.6参考文献

第2章 监督学习

2.1由实例学习类

2.2 VC维

2.3概率逼近正确学习

2.4噪声

2.5学习多类

2.6回归

2.7模型选择与泛化

2.8监督机器学习算法的维

2.9注释

2.10习题

2.11参考文献

第3章 贝叶斯决策定理

3.1引言

3.2分类

3.3损失与风险

3.4判别式函数

3.5效用理论

3.6关联规则

3.7注释

3.8习题

3.9参考文献

第4章 参数方法

4.1引言

4.2最大似然估计

4.2.1伯努利密度

4.2.2多项密度

4.2.3高斯（正态）密度

4.3评价估计：偏倚和方差

4.4贝叶斯估计

4.5参数分类

4.6回归

4.7调整模型的复杂度：偏倚/方差两难选择

4.8模型选择过程

4.9注释

4.10习题

4.11参考文献

第5章 多元方法

5.1多元数据

5.2参数估计

5.3缺失值估计

5.4多元正态分布

5.5多元分类

5.6调整复杂度

5.7离散特征

5.8多元回归

5.9注释

5.10习题

5.11参考文献

第6章 维度归约

6.1引言

6.2子集选择

6.3主成分分析

6.4因子分析

6.5多维定标

6.6线性判别分析

6.7等距特征映射

6.8局部线性嵌入

6.9注释

6.10习题

6.11参考文献

第7章 聚类

7.1引言

7.2混合密度

7.3 k-均值聚类

7.4期望最大化算法

7.5潜在变量混合模型

7.6聚类后的监督学习

7.7层次聚类

7.8选择簇个数

7.9注释

7.10习题

7.11参考文献

第8章 非参数方法

8.1引言

8.2非参数密度估计

8.2.1直方图估计

8.2.2核估计

8.2.3 k-最近邻估计

8.3到多元数据的推广

8.4非参数分类

8.5精简的最近邻

8.6非参数回归：光滑模型

8.6.1移动均值光滑

8.6.2核光滑

8.6.3移动线光滑

8.7如何选择光滑参数

8.8注释

8.9习题

8.10参考文献

第9章 决策树

9.1引言

9.2单变量树

9.2.1分类树

9.2.2回归树

9.3剪枝

9.4由决策树提取规则

9.5由数据学习规则

9.6多变量树

9.7注释

9.8习题

9.9参考文献

第10章 线性判别式

10.1引言

10.2推广线性模型

10.3线性判别式的几何意义

10.3.1两类问题

10.3.2多类问题

10.4逐对分离

10.5参数判别式的进一步讨论

10.6梯度下降

10.7逻辑斯谛判别式

10.7.1两类问题

10.7.2多类问题

10.8回归判别式

10.9注释

10 10习题

10.11参考文献

第11章 多层感知器

11.1引言

11.1.1理解人脑

11.1.2神经网络作为并行处理的典范

11.2感知器

11.3训练感知器

11.4学习布尔函数

11.5多层感知器

11.6作为普适近似的MLP

11.7后向传播算法

11.7.1非线性回归

11.7.2两类判别式

11.7.3多类判别式

11.7.4多个隐藏层

11.8训练过程

11.8.1改善收敛性

11.8.2过分训练

11.8.3构造网络

11.8.4线索

11.9调整网络规模

11.10学习的贝叶斯观点

11.11维度归约

11.12学习时间

11.12.1时间延迟神经网络

11.12.2递归网络

11.13注释

11.14习题

11.15 参考文献

第12章 局部模型

12.1引言

12.2竞争学习

12.2.1在线k-均值

12.2.2自适应共鸣理论

12.2.3自组织映射

12.3径向基函数

12.4结合基于规则的知识

12.5规范化基函数

12.6竞争的基函数

12.7学习向量量化

12.8混合专家模型

12.8.1协同专家模型

12.8.2竞争专家模型

12.9层次混合专家模型

12.10注释

12.11习题

12.12参考文献

第13章 核机器

13.1引言

13.2最佳分离超平面

13.3不可分情况：软边缘超平面

13.4v-SVM

13.5核技巧

13.6向量核

13.7定义核

13.8多核学习

13.9多类核机器

13.10用于回归的核机器

13.11一类核机器

13.12核维度归约

13.13注释

13.14习题

13.15 参考文献

第14章 贝叶斯估计

14.1引言

14.2分布参数的估计

14.2.1离散变量

14.2.2连续变量

14.3函数参数的贝叶斯估计

14.3.1回归

14.3.2基函数或核函数的使用

14.3.3贝叶斯分类

14.4高斯过程

14.5注释

14.6习题

14.7参考文献

第15章 隐马尔可夫模型

15.1引言

15.2离散马尔可夫过程

15.3隐马尔可夫模型

15.4 HMM的三个基本问题

15.5估值问题

15.6寻找状态序列

15.7学习模型参数

15.8连续观测

15.9带输入的HMM

15.10 HMM中的模型选择

15.11注释

15.12习题

15.13参考文献

第16章 图方法

16.1引言

16.2条件独立的典型情况

16.3图模型实例

16.3.1朴素贝叶斯分类

16.3.2隐马尔可夫模型

16.3.3线性回归

16.4 d-分离

16.5信念传播

16.5.1链

16.5.2树

16.5.3多树

16.5.4结树

16.6无向图：马尔可夫随机场

16.7学习图模型的结构

16.8影响图

16.9注释

16.10习题

16.11参考文献

第17章 组合多学习器

17.1基本原理

17.2产生有差异的学习器

17.3模型组合方案

17.4投票法

17.5纠错输出码

17.6装袋

17.7提升

17.8重温混合专家模型

17.9层叠泛化

17.10调整系综

17.11级联

17.12注释

17.13习题

17.14参考文献

第18章 增强学习

18.1引言

18.2单状态情况：K臂赌博机问题

18.3增强学习基础

18.4基于模型的学习

18.4.1价值迭代

18.4.2策略迭代

18.5时间差分学习

18.5.1探索策略

18.5.2确定性奖励和动作

18.5.3非确定性奖励和动作

18.5.4资格迹

18.6推广

18.7部分可观测状态

18.7.1场景

18.7.2例子：老虎问题

18.8注释

18.9习题

18.10参考文献

第19章 机器学习实验的设计与分析

19.1引言

19.2因素、响应和实验策略

19.3响应面设计

19.4随机化、重复和阻止

19.5机器学习实验指南

19.6交叉验证和再抽样方法

19.6.1 K-折交叉验证

19.6.2 5 x2交叉验证

19.6.3自助法

19.7度量分类器的性能

19.8区间估计

19.9假设检验

19.10评估分类算法的性能

19.10.1二项检验