第Ⅰ部分 绪论 2
第1章 什么是机器学习 2
1.1学习的种类 2
1.2机器学习任务的例子 4
1.3机器学习的方法 8
第2章 学习模型 12
2.1线性模型 12
2.2核模型 15
2.3层级模型 17
第Ⅱ部分 有监督回归 22
第3章 最小二乘学习法 22
3.1最小二乘学习法 22
3.2最小二乘解的性质 25
3.3大规模数据的学习算法 27
第4章 带有约束条件的最小二乘法 31
4.1部分空间约束的最小二乘学习法 31
4.2 e2约束的最小二乘学习法 33
4.3模型选择 37
第5章 稀疏学习 43
5.1 e1约束的最小二乘学习法 43
5.2 e1约束的最小二乘学习的求解方法 45
5.3通过稀疏学习进行特征选择 50
5.4 ep约束的最小二乘学习法 51
5.5 e1＋e2约束的最小二乘学习法 52
第6章 鲁棒学习 55
6.1 e1损失最小化学习 56
6.2 Huber损失最小化学习 58
6.3图基损失最小化学习 63
6.4 e1约束的Huber损失最小化学习 65
第Ⅲ部分 有监督分类 70
第7章 基于最小二乘法的分类 70
7.1最小二乘分类 70
7.2 0/1损失和间隔 73
7.3多类别的情形 76
第8章 支持向量机分类 80
8.1间隔最大化分类 80
8.2支持向量机分类器的求解方法 83
8.3稀疏性 86
8.4使用核映射的非线性模型 88
8.5使用Hinge损失最小化学习来解释 90
8.6使用Ramp损失的鲁棒学习 93
第9章 集成分类 98
9.1剪枝分类 98
9.2 Bagging学习法 101
9.3 Boosting学习法 105
第10章 概率分类法 112
10.1 Logistic回归 112
10.2最小二乘概率分类 116
第11章 序列数据的分类 121
11.1序列数据的模型化 122
11.2条件随机场模型的学习 125
11.3利用条件随机场模型对标签序列进行预测 128
第Ⅳ部分 无监督学习 132
第12章 异常检测 132
12.1局部异常因子 132
12.2支持向量机异常检测 135
12.3基于密度比的异常检测 137
第13章 无监督降维 143
13.1线性降维的原理 144
13.2主成分分析 146
13.3局部保持投影 148
13.4核函数主成分分析 152
13.5拉普拉斯特征映射 155
第14章 聚类 158
14.1K均值聚类 158
14.2核K均值聚类 160
14.3谱聚类 161
14.4调整参数的自动选取 163
第Ⅴ部分 新兴机器学习算法 170
第15章 在线学习 170
15.1被动攻击学习 170
15.2适应正则化学习 176
第16章 半监督学习 181
16.1灵活应用输入数据的流形构造 182
16.2拉普拉斯正则化最小二乘学习的求解方法 183
16.3拉普拉斯正则化的解释 186
第17章 监督降维 188
17.1与分类问题相对应的判别分析 188
17.2充分降维 195
第18章 迁移学习 197
18.1协变量移位下的迁移学习 197
18.2类别平衡变化下的迁移学习 204
第19章 多任务学习 212
19.1使用最小二乘回归的多任务学习 212
19.2使用最小二乘概率分类器的多任务学习 215
19.3多次维输出函数的学习 216
第Ⅵ部分 结语 222
第20章 总结与展望 222
参考文献 225