推薦序 前言 第1章 一個簡單的機器學習任務// 1.1訓練集和分類器// 1.2一點題外話：爬山搜索// 1.3機器學習中的爬山法// 1.4分類器的性能// 1.5可用數(shù)據(jù)的困難// 1.6總結(jié)和歷史簡評// 1.7鞏固你的知識// 第2章 概率：貝葉斯分類器// 2.1單屬性的情況// 2.2離散屬性值的向量// 2.3稀少事件的概率：利用專家的直覺// 2.4如何處理連續(xù)屬性// 2.5高斯鐘形函數(shù)：一個標準的概率密度函數(shù)// 2.6用高斯函數(shù)的集合近似概率密度函數(shù)// 2.7總結(jié)和歷史簡評// 2.8鞏固你的知識// 第3章 相似性：最近鄰分類器// 3.1k近鄰法則// 3.2度量相似性// 3.3不相關(guān)屬性與尺度縮放問題// 3.4性能方面的考慮// 3.5加權(quán)最近鄰// 3.6移除危險的樣例// 3.7移除多余的樣例// 3.8總結(jié)和歷史簡評// 3.9鞏固你的知識// 第4章 類間邊界：線性和多項式分類器// 4.1本質(zhì)// 4.2加法規(guī)則：感知機學習// 4.3乘法規(guī)則：WINNOW// 4.4多于兩個類的域// 4.5多項式分類器// 4.6多項式分類器的特殊方面// 4.7數(shù)值域和支持向量機// 4.8總結(jié)和歷史簡評// 4.9鞏固你的知識// 第5章 人工神經(jīng)網(wǎng)絡// 5.1作為分類器的多層感知機// 5.2神經(jīng)網(wǎng)絡的誤差// 5.3誤差的反向傳播// 5.4多層感知機的特殊方面// 5.5結(jié)構(gòu)問題// 5.6徑向基函數(shù)網(wǎng)絡// 5.7總結(jié)和歷史簡評// 5.8鞏固你的知識// 第6章 決策樹// 6.1作為分類器的決策樹// 6.2決策樹的歸納學習// 6.3一個屬性承載了多少信息// 6.4數(shù)值屬性的二元劃分// 6.5剪枝// 6.6將決策樹轉(zhuǎn)換為規(guī)則// 6.7總結(jié)和歷史簡評// 6.8鞏固你的知識// 第7章 計算學習理論// 7.1PAC 學習// 7.2PAC可學習性的實例// 7.3一些實踐和理論結(jié)果// 7.4VC維與可學習性// 7.5總結(jié)和歷史簡評// 7.6鞏固你的知識// 第8章 幾個有幫助的案例// 8.1字符識別// 8.2溢油檢測// 8.3睡眠分類// 8.4腦機界面// 8.5醫(yī)療診斷// 8.6文本分類// 8.7總結(jié)和歷史簡評// 8.8鞏固你的知識// 第9章 投票組合簡介// 9.1“裝袋”方法(Bagging)// 9.2夏皮爾提升(Schapire�餾 Boosting)// 9.3Adaboost——Boosting的實用版本// 9.4Boosting方法的變種// 9.5Boosting方法的計算優(yōu)勢// 9.6總結(jié)和歷史簡評// 9.7鞏固你的知識// 第10章 了解一些實踐知識// 10.1學習器的偏好// 10.2不平衡訓練集// 10.3語境相關(guān)域// 10.4未知屬性值// 10.5屬性選擇// 10.6雜項// 10.7總結(jié)和歷史簡評// 10.8鞏固你的知識// 第11章 性能評估// 11.1基本性能標準// 11.2精度和查全率// 11.3測量性能的其他方法// 11.4多標簽域內(nèi)的性能// 11.5學習曲線和計算開銷// 11.6實驗評估的方法// 11.7總結(jié)和歷史簡評// 11.8鞏固你的知識// 第12章 統(tǒng)計顯著性// 12.1總體抽樣// 12.2從正態(tài)分布中獲益// 12.3置信區(qū)間// 12.4一個分類器的統(tǒng)計評價// 12.5另外一種統(tǒng)計評價// 12.6機器學習技術(shù)的比較// 12.7總結(jié)和歷史簡評// 12.8鞏固你的知識// 第13章 遺傳算法// 13.1基本遺傳算法// 13.2單個模塊的實現(xiàn)// 13.3為什么能起作用// 13.4過早退化的危險// 13.5其他遺傳算子// 13.6高級版本// 13.7k-NN 分類器的選擇// 13.8總結(jié)和歷史簡評// 13.9鞏固你的知識// 第14章 增強學習// 14.1如何選出最高獎勵的動作// 14.2游戲的狀態(tài)和動作// 14.3SARSA方法// 14.4總結(jié)和歷史簡評// 14.5鞏固你的知識// 參考文獻//