机器学习导论 原书第2版PDF电子书下载

第1章 一个简单的机器学习任务 1

1.1 训练集和分类器 1

1.2 题外话：爬山搜索 4

1.3 机器学习中的爬山法 6

1.4 分类器的性能 8

1.5 可用数据的困难 9

1.6 小结和历史简评 11

1.7 巩固知识 11

第2章 概率：贝叶斯分类器 14

2.1 单属性的情况 14

2.2 离散属性值的向量 17

2.3 稀少事件的概率：利用专家的直觉 20

2.4 如何处理连续属性 23

2.5 高斯钟形函数：一个标准的pdf 24

2.6 用高斯函数的集合近似pdf 26

2.7 小结和历史简评 30

2.8 巩固知识 30

第3章 相似性：最近邻分类器 32

3.1 k近邻法则 32

3.2 度量相似性 34

3.3 不相关属性与尺度缩放问题 36

3.4 性能方面的考虑 39

3.5 加权最近邻 41

3.6 移除危险的样例 42

3.7 移除多余的样例 44

3.8 小结和历史简评 46

3.9 巩固知识 46

第4章 类间边界：线性和多项式分类器 49

4.1 本质 49

4.2 加法规则：感知机学习 51

4.3 乘法规则：WINNOW 55

4.4 多于两个类的域 58

4.5 多项式分类器 60

4.6 多项式分类器的特殊方面 62

4.7 数值域和SVM 63

4.8 小结和历史简评 65

4.9 巩固知识 66

第5章 人工神经网络 69

5.1 作为分类器的多层感知机 69

5.2 神经网络的误差 72

5.3 误差的反向传播 73

5.4 多层感知机的特殊方面 77

5.5 结构问题 79

5.6 RBF网络 81

5.7 小结和历史简评 83

5.8 巩固知识 84

第6章 决策树 86

6.1 作为分类器的决策树 86

6.2 决策树的归纳学习 89

6.3 一个属性承载的信息 91

6.4 数值属性的二元划分 94

6.5 剪枝 96

6.6 将决策树转换为规则 99

6.7 小结和历史简评 101

6.8 巩固知识 101

第7章 计算学习理论 104

7.1 PAC学习 104

7.2 PAC可学习性的实例 106

7.3 一些实践和理论结果 108

7.4 VC维与可学习性 110

7.5 小结和历史简评 112

7.6 巩固知识 112

第8章 典型案例 114

8.1 字符识别 114

8.2 溢油检测 117

8.3 睡眠分类 119

8.4 脑机界面 121

8.5 医疗诊断 124

8.6 文本分类 126

8.7 小结和历史简评 127

8.8 巩固知识 128

第9章 投票组合简介 130

9.1 “Bagging”方法 130

9.2 “Schapire's Boosting”方法 132

9.3 “Adaboost”方法：“Boosting”方法的实用版本 134

9.4 “Boosting”方法的变种 138

9.5 该方法的计算优势 139

9.6 小结和历史简评 141

9.7 巩固知识 141

第10章 了解一些实践知识 143

10.1 学习器的偏好 143

10.2 不平衡训练集 145

10.3 语境相关域 148

10.4 未知属性值 150

10.5 属性选择 152

10.6 杂项 154

10.7 小结和历史简评 155

10.8 巩固知识 156

第11章 性能评估 158

11.1 基本性能标准 158

11.2 精度和查全率 160

11.3 测量性能的其他方法 163

11.4 学习曲线和计算开销 166

11.5 实验评估的方法 167

11.6 小结和历史简评 169

11.7 巩固知识 170

第12章 统计显著性 173

12.1 总体抽样 173

12.2 从正态分布中获益 176

12.3 置信区间 178

12.4 一个分类器的统计评价 180

12.5 另外一种统计评价 182

12.6 机器学习技术的比较 182

12.7 小结和历史简评 184

12.8 巩固知识 185

第13章 多标签学习 186

13.1 经典机器学习框架下的多标签问题 186

13.2 单独处理每类数据的方法：二元相关法 188

13.3 分类器链 190

13.4 另一种方法：层叠算法 191

13.5 层次有序类的简介 192

13.6 类聚合 194

13.7 分类器性能的评价标准 196

13.8 小结和历史简评 198

13.9 巩固知识 199

第14章 无监督学习 202

14.1 聚类分析 202

14.2 简单算法：k均值 204

14.3 k均值的高级版 207

14.4 分层聚集 209

14.5 自组织特征映射：简介 211

14.6 一些重要的细节 213

14.7 为什么要特征映射 214

14.8 小结和历史简评 215

14.9 巩固知识 216

第15章 规则集形式的分类器 218

15.1 由规则描述的类别 218

15.2 通过序列覆盖归纳规则集 220

15.3 谓词与循环 222

15.4 更多高级的搜索算子 224

15.5 小结和历史简评 225

15.6 巩固知识 225

第16章 遗传算法 227

16.1 基本遗传算法 227

16.2 个体模块的实现 229

16.3 为什么能起作用 231

16.4 过早退化的危险 233

16.5 其他遗传算子 234

16.6 高级版本 235

16.7 kNN分类器的选择 237

16.8 小结和历史简评 239

16.9 巩固知识 240

第17章 强化学习 241

17.1 如何选出最高奖励的动作 241

17.2 游戏的状态和动作 243

17.3 SARSA方法 245

17.4 小结和历史简评 245

17.5 巩固知识 246

参考文献 247