目录 第1章 绪论1.1 引言1.2 基本术语1.3 假设空间1.4 归纳偏好1.5 发展历程1.6 应用现状1.7 阅读材料 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2.6 阅读材料 第3章 线性模型3.1 基本形式3.2 线性回归3.3 对数几率回归3.4 线性判别分析3.5 多分类学习3.6 类别不平衡问题3.7 阅读材料 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4.6 阅读材料 第5章 神经网络5.1 神经元模型5.2 感知机与多层网络5.3 误差逆传播算法5.4 全局最小与局部极小5.5 其他常见神经网络5.6 深度学习5.7 阅读材料 第6章 支持向量机6.1 间隔与支持向量6.2 对偶问题6.3 核函数6.4 软间隔与正则化6.5 支持向量回归6.6 核方法6.7 阅读材料 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 半朴素贝叶斯分类器7.5 贝叶斯网7.6 EM算法7.7 阅读材料 第8章 集成学习8.1 个体与集成8.2 Boosting8.3 Bagging与随机森林8.4 结合策略8.5 多样性8.6 阅读材料 第9章 聚类9.1 聚类任务9.2 性能度量9.3 距离计算9.4 原型聚类9.5 密度聚类9.6 层次聚类9.7 阅读材料 第10章 降维与度量学习10.1 k近邻学习10.2 低维嵌入10.3 主成分分析10.4 核化线性降维10.5 流形学习10.6 度量学习10.7 阅读材料 第11章 特征选择与稀疏学习11.1 子集搜索与评价11.2 过滤式选择11.3 包裹式选择11.4 嵌入式选择与L1正则化11.5 稀疏表示与字典学习11.6 压缩感知11.7 阅读材料 第12章 计算学习理论12.1 基础知识12.2 PAC学习12.3 有限假设空间12.4 VC维12.5 Rademacher复杂度12.6 稳定性12.7 阅读材料 第13章 半监督学习13.1 未标记样本13.2 生成式方法13.3 半监督SVM13.4 图半监督学习13.5 基于分歧的方法13.6 半监督聚类13.7 阅读材料 第14章 概率图模型14.1 隐马尔科夫模型14.2 马尔科夫随机场14.3 条件随机场14.4 学习与推断14.5 近似推断14.6 话题模型14.7 阅读材料 第15章 规则学习15.1 基本概念15.2 序贯覆盖15.3 剪枝优化15.4 一阶规则学习15.5 归纳逻辑程序设计15.6 阅读材料 第16章 强化学习16.1 任务与奖赏16.2 K-摇臂赌博机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 第1章 绪论 1.1 引言 1.2 基本术语 1.3 假设空间 1.4 归纳偏好 1.5 发展历程 1.6 应用现状 1.7 阅读材料 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 2.6 阅读材料 第3章 线性模型 3.1 基本形式 3.2 线性回归 3.3 对数几率回归 3.4 线性判别分析 3.5 多分类学习 3.6 类别不平衡问题 3.7 阅读材料 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 4.6 阅读材料 第5章 神经网络 5.1 神经元模型 5.2 感知机与多层网络 5.3 误差逆传播算法 5.4 全局最小与局部极小 5.5 其他常见神经网络 5.6 深度学习 5.7 阅读材料 第6章 支持向量机 6.1 间隔与支持向量 6.2 对偶问题 6.3 核函数 6.4 软间隔与正则化 6.5 支持向量回归 6.6 核方法 6.7 阅读材料 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 半朴素贝叶斯分类器 7.5 贝叶斯网 7.6 EM算法 7.7 阅读材料 第8章 集成学习 8.1 个体与集成 8.2 Boosting 8.3 Bagging与随机森林 8.4 结合策略 8.5 多样性 8.6 阅读材料 第9章 聚类 9.1 聚类任务 9.2 性能度量 9.3 距离计算 9.4 原型聚类 9.5 密度聚类 9.6 层次聚类 9.7 阅读材料 第10章 降维与度量学习 10.1 k近邻学习 10.2 低维嵌入 10.3 主成分分析 10.4 核化线性降维 10.5 流形学习 10.6 度量学习 10.7 阅读材料 第11章 特征选择与稀疏学习 11.1 子集搜索与评价 11.2 过滤式选择 11.3 包裹式选择 11.4 嵌入式选择与L1正则化 11.5 稀疏表示与字典学习 11.6 压缩感知 11.7 阅读材料 第12章 计算学习理论 12.1 基础知识 12.2 PAC学习 12.3 有限假设空间 12.4 VC维 12.5 Rademacher复杂度 12.6 稳定性 12.7 阅读材料 第13章 半监督学习 13.1 未标记样本 13.2 生成式方法 13.3 半监督SVM 13.4 图半监督学习 13.5 基于分歧的方法 13.6 半监督聚类 13.7 阅读材料 第14章 概率图模型 14.1 隐马尔科夫模型 14.2 马尔科夫随机场 14.3 条件随机场 14.4 学习与推断 14.5 近似推断 14.6 话题模型 14.7 阅读材料 第15章 规则学习 15.1 基本概念 15.2 序贯覆盖 15.3 剪枝优化 15.4 一阶规则学习 15.5 归纳逻辑程序设计 15.6 阅读材料 第16章 强化学习 16.1 任务与奖赏 16.2 K-摇臂赌博机 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