第一章 緒論

1.1 引言(P1)

1.2 基本術(shù)語(yǔ)(P2)

1.3 假設(shè)空間(P4)

1.4 歸納偏好(P6)

1.5 發(fā)展歷程(P10)

1.6 應(yīng)用現(xiàn)狀(P13)

1.7 閱讀材料(P16)

?

第二章 模型評(píng)估與選擇

2.1 經(jīng)驗(yàn)誤差與過擬合(P23)

2.2 評(píng)估方法(P24)

??2.2.1 留出法

??2.2.2 交叉驗(yàn)證法

??2.2.3 自助法

2.3 性能度量

??2.3.1 錯(cuò)誤率與精度(P29)

??2.3.2 查準(zhǔn)率、查全率與F1

??2.3.3 ROC與AUC(P33)

??2.3.4 代價(jià)敏感錯(cuò)誤率與代價(jià)曲線

2.4 比較檢驗(yàn)

??2.4.1 假設(shè)檢驗(yàn)(P37)

??2.4.2 交叉驗(yàn)證t檢驗(yàn)(P40)

??2.4.3 McNemar檢驗(yàn)(P41)

??2.4.4 Friedman檢驗(yàn)與Nemenyi后續(xù)檢驗(yàn)(P42)

2.5偏差與方差(P44)

2.6閱讀材料(P46)

?

第三章 線性模型

3.1 基本形式(P53)

3.2 線性回歸

3.3 對(duì)數(shù)幾率回歸(P57)

3.4 線性判別分析(P60)

3.5 多分類學(xué)習(xí)(P63)

3.6 類別不平衡問題(P66)

3.7 閱讀材料(P67)

?

第四章 決策樹

4.1 基本流程(P73)

4.2 劃分選擇(P75)

??4.2.1 信息增益

??4.2.2 增益率(P77)

??4.2.3 基尼指數(shù)(P79)

4.3 剪枝處理

??4.3.1 預(yù)剪枝(P79)

??4.3.2 后剪枝(P82)

4.4 連續(xù)與缺失值

??4.4.1 連續(xù)值處理(P83)

??4.4.2 缺失值處理(P85)

4.5 多變量決策樹(P88)

4.6 閱讀材料(P92)

?

第五章 神經(jīng)網(wǎng)絡(luò)

5.1神經(jīng)元模型(P97)

5.2 感知機(jī)與多層網(wǎng)絡(luò)(P98)

5.3 誤差逆?zhèn)鞑ニ惴?P101)

5.4 全局最小與局部極小(P106)

5.5 其他常見神經(jīng)網(wǎng)絡(luò)(P108)

??5.5.1 RBF網(wǎng)絡(luò)

??5.5.2 ART(網(wǎng)絡(luò))

??5.5.3 SOM網(wǎng)絡(luò)(P109)

??5.5.4 級(jí)聯(lián)相關(guān)網(wǎng)絡(luò)(P110)

??5.5.5 Elman網(wǎng)絡(luò)

??5.5.6 Boltzmann機(jī)(P111)

5.6 深度學(xué)習(xí)(P113)

5.7 閱讀材料(P115)

?

第六章 支持向量機(jī)

6.1 間隔與支持向量(P121)

6.2 對(duì)偶問題(P123)

6.3 核函數(shù)(P126)

6.4 軟間隔與正則化(P129)

6.5 支持向量回歸(P133)

6.6 核方法(P137)

6.7 閱讀材料(P139)

?

第七章 貝葉斯分類器

7.1 貝葉斯決策論(P147)

7.2 極大似然估計(jì)(P149)

7.3 樸素貝葉斯分類器(P150)

7.4 半樸素貝葉斯分類器(P154)

7.5 貝葉斯網(wǎng)(P156)

??7.5.1 結(jié)構(gòu)(P157)

??7.5.2 學(xué)習(xí)(P159)

??7.5.3 推斷(P161)

7.6 EM算法(P162)

7.7 閱讀材料(P164)

?

第八章 集成學(xué)習(xí)

8.1 個(gè)體與集成(P171)

8.2 Boosting(P173)

8.3 Bagging與隨機(jī)森林(P178)

??8.3.1 Bagging

??8.3.2 隨機(jī)森林(P179)

8.4 結(jié)合策略(P181)

??8.4.1 平均法

??8.4.2 投票法(P182)

??8.4.3 學(xué)習(xí)法

8.5 多樣性

??8.5.1 誤差-分歧分解(P185)

??8.5.2 多樣性度量(P186)

??8.5.3 多樣性增強(qiáng)(P188)

8.6 閱讀材料(P190)

?

第九章 聚類

9.1 聚類任務(wù)(P197)

9.2 性能度量

9.3 距離計(jì)算(P199)

9.4 原型聚類(P202)

??9.4.1 k均值算法

??9.4.2 學(xué)習(xí)向量量化(P204)

??9.4.3 高斯混合聚類(P206)

9.5 密度聚類(P211)

9.6 層次聚類(P214)

9.7 閱讀材料(P217)

?

第十章 降維與量度學(xué)習(xí)

10.1 k近鄰學(xué)習(xí)(P225)

10.2 低維嵌入(P226)

10.3 主成分分析(P229)

10.4核化線性降維(P232)

10.5 流形學(xué)習(xí)(P234)

??10.5.1 等度量映射(P234)

??10.5.2 局部線性嵌入(P235)

10.6 度量學(xué)習(xí)(P237)

?

第十一章 特征選擇與稀疏學(xué)習(xí)

11.1 子集搜索與評(píng)價(jià)(P257)

11.2 過濾式選擇(P249)

11.3 包裹式選擇(P250)

11.4 嵌入式選擇與L1正則化(P252)

11.5 稀疏表示與字典學(xué)習(xí)(P254)

11.6 壓縮預(yù)知(P257)

11.7 閱讀材料(P260)

?

第十二章 計(jì)算學(xué)習(xí)理論

12.1 基礎(chǔ)知識(shí)(P267)

12.2 PAC學(xué)習(xí)(P268)

12.3 有限假設(shè)空間

??12.3.1 可分情形(P270)

??12.3.2 不可分情形(P272)

12.4 VC維(P273)

12.5 Rademacher復(fù)雜度(P279)

12.6 穩(wěn)定性(P284)

12.7 閱讀材料(P287)

?

第十三章 半監(jiān)督學(xué)習(xí)

13.1 未標(biāo)記樣本(P293)

13.2 生成式方法(P295)

13.3 半監(jiān)督SVM(P298)

13.4 圖半監(jiān)督學(xué)習(xí)(P300)

13.5 基于分歧的方法(P304)

13.6 半監(jiān)督聚類(P307)

13.7 閱讀材料(P311)

?

第十四章 概率圖模型

14.1 隱馬爾可夫模型(P320)

14.2 馬爾可夫隨機(jī)場(chǎng)(P322)

14.3 條件隨機(jī)場(chǎng)(P325)

14.4 學(xué)習(xí)與推斷

??14.4.1 變量消去(P328)

??14.4.2 信念傳播(P330)

14.5 近似推斷

??14.5.1 MCMC采樣(P331)

??14.5.2 變分推斷(P334)

14.6 話題模型(P337)

14.7 閱讀材料(P339)

?

第十五章 規(guī)則學(xué)習(xí)

15.1 基本概念(P347)

15.2 序貫覆蓋(P349)

15.3 剪枝優(yōu)化(P352)

15.4 一階規(guī)則學(xué)習(xí)(P354)

15.5 歸納邏輯程序設(shè)計(jì)(P357)

??15.5.1 最小一般泛化(P358)

??15.5.2 逆歸結(jié)(P359)

15.6 閱讀材料(P363)

?

第十六章 強(qiáng)化學(xué)習(xí)

16.1 任務(wù)與獎(jiǎng)賞(P372)

16.2 K-搖臂賭博機(jī)

??16.2.1 探索與利用(P373)

??16.2.2 ε-貪心(P374)

??16.2.3 Softmax(P375)

16.3 有模型學(xué)習(xí)

??16.3.1 策略評(píng)估(P377)

??16.3.2 策略改進(jìn)(P379)

??16.3.3 策略迭代與值迭代(P381)

16.4 免模型學(xué)習(xí)(P382)

??16.4.1 蒙特卡羅強(qiáng)化學(xué)習(xí)(P383)

??16.4.2 時(shí)序差分學(xué)習(xí)(P386)

16.5 值函數(shù)近似(P388)

16.6 模仿學(xué)習(xí)(P390)

??16.6.1 逆強(qiáng)化學(xué)習(xí)(P391)

16.7 閱讀材料(P393)

?

附錄

A 矩陣

??A.1 基本演算(P399)

??A.2 導(dǎo)數(shù)(P400)

??A.3 奇異值分解(P402)

B 優(yōu)化

??B.1 拉格朗日乘子法(P403)

??B.2 二次規(guī)劃(P406)

??B.3 半正定規(guī)則(P407)

??B.4 梯度下降法

C 概率分布

??C.1 常見概率分布(P409)

????C.1.1 均勻分布

????C.1.2 伯努利分布

????C.1.3 二項(xiàng)分布

????C.1.4 多項(xiàng)分布

????C.1.5 貝塔分布(P411)

????C.1.6 狄利克雷分布

????C.1.7 高斯分布

??C.2 共軛分布(P413)

??C.3 KL散度(P414)

總結(jié)

以上是生活随笔為你收集整理的机器学习西瓜书各章详细目录定位的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。