机器学习导论PDF|Epub|txt|kindle电子书版本网盘下载

机器学习导论PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1　什么是机器学习1

1.2　机器学习的应用实例2

1.2.1 学习关联性2

1.2.2　分类3

1.2.3　回归5

1.2.4　非监督学习6

1.2.5 增强学习7

1.3　注释8

1.4　相关资源9

1.5　习题10

1.6　参考文献10

第2章 监督学习11

2.1 由实例学习类11

2.2　VC维14

2.3　概率逼近正确学习15

2.4　噪声16

2.5　学习多类18

2.6　回归19

2.7　模型选择与泛化20

2.8　监督机器学习算法的维22

2.9　注释23

2.10　习题24

2.11　参考文献24

第3章 贝叶斯决策定理26

3.1　引言26

3.2　分类27

3.3　损失与风险28

3.4　判别式函数30

3.5　效用理论31

3.6　信息值31

3.7　贝叶斯网络32

3.8　影响图36

3.9　关联规则36

3.10　注释37

3.11　习题37

3.12　参考文献38

第4章 参数方法39

4.1　引言39

4.2　最大似然估计39

4.2.1 伯努利密度40

4.2.2　多项密度40

4.2.3　高斯（正态）密度41

4.3　评价估计：偏倚和方差41

4.4　贝叶斯估计42

4.5　参数分类44

4.6　回归47

4.7　调整模型的复杂度：偏倚／方差两难选择49

4.8　模型选择过程51

4.9　注释53

4.10　习题53

4.11　参考文献54

第5章 多元方法55

5.1　多元数据55

5.2　参数估计55

5.3　缺失值估计56

5.4　多元正态分布57

5.5　多元分类59

5.6　调整复杂度63

5.7　离散特征64

5.8　多元回归65

5.9　注释66

5.10　习题66

5.11　参考文献67

第6章 维度归约68

6.1　引言68

6.2　子集选择68

6.3　主成分分析70

6.4　因子分析74

6.5　多维定标78

6.6　线性判别分析80

6.7　注释83

6.8　习题84

6.9　参考文献84

第7章 聚类86

7.1　引言86

7.2　混合密度86

7.3　k-均值聚类87

7.4　期望最大化算法90

7.5　潜在变量混合模型93

7.6　聚类后的监督学习94

7.7　层次聚类95

7.8　选择簇个数96

7.9　注释96

7.10　习题97

7.11　参考文献97

第8章 非参数方法99

8.1　引言99

8.2　非参数密度估计99

8.2.1　直方图估计100

8.2.2　核估计101

8.2.3　k-最近邻估计102

8.3　到多变元数据的推广103

8.4　非参数分类104

8.5　精简的最近邻105

8.6　非参数回归：光滑模型106

8.6.1　移动均值光滑106

8.6.2　核光滑108

8.6.3　移动线光滑108

8.7　如何选择光滑参数109

8.8　注释110

8.9　习题110

8.10　参考文献111

第9章　决策树113

9.1　引言113

9.2　单变量树114

9.2.1　分类树114

9.2.2　回归树118

9.3　剪枝119

9.4　由决策树提取规则120

9.5　由数据学习规则121

9.6　多变量树124

9.7　注释125

9.8　习题126

9.9　参考文献127

第10章 线性判别式128

10.1　引言128

10.2　推广线性模型129

10.3　线性判别式的几何意义130

10.3.1　两类问题130

10.3.2　多类问题131

10.4　逐对分离132

10.5　参数判别式的进一步讨论133

10.6　梯度下降134

10.7　逻辑斯谛判别式135

10.7.1 两类问题135

10.7.2　多类问题137

10.8　回归判别式141

10.9　支持向量机142

10.9.1 最佳分离超平面142

10.9.2　不可分情况：软边缘超平面144

10.9.3　核函数145

10.9.4　用于回归的支持向量机147

10.10　注释148

10.11　习题148

10.12　参考文献149

第11章 多层感知器150

11.1　引言150

11.1.1　理解人脑150

11.1.2 神经网络作为并行处理的典范151

11.2　感知器152

11.3　训练感知器154

11.4　学习布尔函数156

11.5　多层感知器157

11.6　MLP作为通用逼近器159

11.7　后向传播算法160

11.7.1 非线性回归160

11.7.2　两类判别式163

11.7.3 多类判别式164

11.7.4　多个隐藏层164

11.8　训练过程164

11.8.1　改善收敛性164

11.8.2　过分训练165

11.8.3　构造网络167

11.8.4　线索168

11.9　调整网络规模169

11.10　学习的贝叶斯观点170

11.11　维度归约171

11.12　学习时间173

11.12.1 时间延迟神经网络173

11.12.2　递归网络174

11.13　注释175

11.14　习题176

11.15　参考文献176

第12章 局部模型179

12.1　引言179

12.2　竞争学习179

12.2.1　在线k-均值179

12.2.2　自适应共鸣理论182

12.2.3　自组织映射183

12.3　径向基函数184

12.4　结合基于规则的知识188

12.5　规范化基函数188

12.6　竞争的基函数190

12.7　学习向量量化192

12.8　混合专家模型192

12.8.1　协同专家模型194

12.8.2　竞争专家模型194

12.9　层次混合专家模型195

12.10　注释195

12.11　习题196

12.12　参考文献196

第13章 隐马尔可夫模型198

13.1　引言198

13.2　离散马尔可夫过程198

13.3　隐马尔可夫模型200

13.4　HMM的三个基本问题202

13.5　估值问题202

13.6　寻找状态序列204

13.7　学习模型参数205

13.8　连续观测208

13.9　带输入的HMM208

13.10　HMM中的模型选择209

13.11　注释210

13.12　习题211

13.13　参考文献211

第14章 分类算法评估和比较213

14.1　引言213

14.2　交叉确认和再抽样方法215

14.2.1 K-折交叉确认215

14.2.2 5×2交叉确认215

14.2.3 自助法216

14.3　误差度量216

14.4　区间估计217

14.5　假设检验220

14.6　评估分类算法的性能221

14.6.1　二项检验221

14.6.2　近似正态检验222

14.6.3　配对t检验222

14.7　比较两个分类算法223

14.7.1　McNemar检验223

14.7.2　K-折交叉确认配对t检验223

14.7.3　5×2交叉确认配对t检验224

14.7.4　5×2交叉确认配对F检验225

14.8　比较多个分类算法：方差分析225

14.9　注释227

14.10　习题228

14.11　参考文献228

第15章 组合多学习器230

15.1　基本原理230

15.2　投票法232

15.3　纠错输出码234

15.4　装袋235

15.5　提升236

15.6　重温混合专家模型238

15.7　层叠泛化238

15.8　级联239

15.9　注释240

15.10　习题241

15.11　参考文献241

第16章 增强学习243

16.1　引言243

16.2　单状态情况：K臂赌博机问题244

16.3　增强学习基础245

16.4　基于模型的学习246

16.4.1　价值迭代247

16.4.2　策略迭代247

16.5　时间差分学习248

16.5.1　探索策略248

16.5.2　确定性奖励和动作248

16.5.3 非确定性奖励和动作250

16.5.4　资格迹251

16.6　推广253

16.7　部分可观测状态254

16.8　注释255

16.9　习题256

16.10　参考文献257

附录A　概率论258

索引266