更新时间：2025-03-13 17:52:19
封面
版权信息
推荐序
前言
基础考评篇
第1章 绪论
1.1 基本术语
1.2 假设空间
1.3 归纳偏好
1.4 矩阵、优化和概率分布
参考文献
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.3 性能度量
2.4 比较检验
2.5 偏差与方差
第3章 线性模型
3.1 线性回归
3.2 对数几率回归
3.3 线性判别分析
3.4 多分类学习
第4章 决策树
4.1 基本流程
4.2 划分选择
4.3 剪枝处理
4.4 连续与缺失值
4.5 多变量决策树
第5章 神经网络
5.1 感知机与多层网络
5.2 误差逆传播算法
5.3 全局最小与局部极小
5.4 其他常见神经网络
第6章 支持向量机
6.1 间隔、支持向量与对偶问题
6.2 软间隔与正则化
6.3 核函数
6.4 核方法
第7章 贝叶斯分类器
7.1 贝叶斯决策论
7.2 极大似然估计
7.3 朴素贝叶斯分类器
7.4 贝叶斯网
第8章 集成学习
8.1 Boosting
8.2 Bagging与随机森林
8.3 结合策略
8.4 多样性
8.5 集成剪枝
第9章 聚类
9.1 距离计算
9.2 k均值算法
9.3 高斯混合聚类
9.4 性能度量
9.5 密度聚类与层次聚类
第10章 降维与度量学习
10.1 k近邻学习
10.2 维数灾难
10.3 主成分分析
10.4 核化线性降维
10.5 低维嵌入与流形学习
10.6 度量学习
综合应用篇
第11章 线性模型的优化与复用
11.1 数据获取和预处理
11.2 岭回归分类器的优化方法探究
11.3 线性模型的参数选择
11.4 线性模型的参数复用
第12章 面向类别不平衡数据的分类
12.1 类别不平衡现象与评价指标
12.2 类别不平衡模型初探
12.3 基于采样的“再缩放”方法
12.4 类别不平衡问题的多分类扩展
第13章 神经网络的优化与应用
13.1 数值求导和自动求导
13.2 神经网络优化实例
13.3 BP算法的回顾与思考
13.4 SOM神经网络
第14章 EM算法及其应用
14.1 数据中的隐变量
14.2 EM算法的迭代优化视角
14.3 EM算法的隐变量视角
14.4 EM算法应用实例——缺失值处理
第15章 集成学习的过拟合现象研究
15.1 分布有偏移数据集的构造和划分
15.2 机器学习中的过拟合现象
15.3 AdaBoost的多分类算法实现
