第1章 简明学习问题 1
1.1归纳推理和演绎推理的基础 2
1.1.1你曾遇到过这些事情吗？ 3
1.1.2释放归纳的力量 3
1.1.3推断的阴阳之道 4
1.2学习问题的三大要素 4
1.3从数据中学习的目标 6
1.3.1阐明选择标准 7
1.3.2学习任务的选择 8
附注 9
第2章 监督学习 13
2.1有效分类的基本要素 13
2.2如何确定假设类别的答案 15
2.3监督学习的两个核心方法 16
2.3.1生成算法的关键 16
2.3.2理解判别算法 17
2.4什么是贝叶斯分类器 17
误差下界 19
2.5评估贝叶斯误差的两种简单技巧 19
2.5.1 Mahalanobis技巧 19
2.5.2 Bhattacharyya技巧 20
2.6如何释放朴素贝叶斯分类器的力量 21
一个建立直觉的例子 22
2.7朴素贝叶斯分类器的R极简建立方法 24
2.7.1一个模拟的例子 24
2.7.2甲状腺数据的分析 28
2.8如何利用k-近邻算法的价值 33
深化理解的例子 34
2.9 k近邻的R直接方法 37
如何决定k的最优值 42
2.10线性判别分析的关键 42
求解广义特征值问题 44
2.11 R判别分析的基本要素 45
2.11.1检查你想要的模型类型 49
2.11.2不要止步于线性判别分析 50
2.12逻辑回归分类的秘密 51
2.13建立R逻辑回归分类器的简便方法 53
2.14激励创意和激情的超级好主意 57
附注 59
第3章 无监督学习 68
3.1无监督学习简介 68
3.2两种核心方法及其工作原理 69
3.3无监督学习的应用技术及R实现 70
3.4无监督学习的典型例子，你可以模仿学习 85
3.4.1数据（图像）预处理 86
3.4.2处理图像中的噪声 86
3.4.3颅骨“剥离” 87
3.4.4完美组合 87
附注 89
第4章 半监督学习 91
4.1未标记数据的作用 92
4.2一致性假设 94
4.3尝试半监督学习的极简方法 94
4.4自学习算法 95
4.5基于半监督模型的R学习 98
4.6使用土地分类掌握这种实践说明 102
附注 105
第5章 统计学习理论 108
5.1 Vapnik-Chervonenkis泛化界 109
5.2什么是Vapnik-Chervonenkis维 110
5.3结构风险最小化的关键 113
5.4实践中使用统计学习理论的最佳建议 114
5.5如何精通支持向量机 115
5.5.1支持向量机的本质 116
5.5.2松弛的处理 117
5.5.3如何建立R支持向量机 118
附注 120
第6章 模型选择 122
6.1模型的快速改进 122
6.2一个价值500万美元的小错误 124
6.3“天下没有免费午餐”定理之三大关键教训 125
6.4什么是偏差和方差权衡 127
6.4.1可约误差 128
6.4.2偏差 129
6.4.3方差 130
6.5你的模型犯过这种错吗？ 131
6.6留出技术的秘密 132
6.7有效交叉验证的艺术 134
6.7.1 k-折交叉验证 134
6.7.2一个R案例 135
6.7.3留一验证 138
附注 140
恭喜你！ 142