機器學習及其應用

譯者序
前言
致謝
作者簡介
第1章引言
11走向智能機器
12良好的機器學習問題
13各種領域的應用實例
14數(shù)據(jù)表示
141時間序列預測
142練習數(shù)據(jù)集和現(xiàn)實問題數(shù)據(jù)集
15機器學習生產應用所需的領域知識
16多樣化的數(shù)據(jù)：結構的/非結構的
17學習形式
171監(jiān)督/直接學習
172無監(jiān)督/間接學習
173強化學習
174基于自然過程的學習：進化、群智和免疫系統(tǒng)
18機器學習和數(shù)據(jù)挖掘
19機器學習技術中的基本線性代數(shù)知識
110機器學習的相關資源
第2章監(jiān)督學習：基本原理和基礎知識
21從觀察中學習
22偏差和方差
23為什么學習是有效的：計算學習理論
24奧卡姆剃刀原理和防止過擬合
25歸納學習中的啟發(fā)式搜索
251搜索假設空間
252集成學習
253學習系統(tǒng)的評估
26泛化誤差估計
261留出法和隨機子采樣
262交叉驗證
263自助法
27用于評估回歸（數(shù)值預測）準確率的度量指標
271均方誤差
272平均絕對誤差
28用于評估分類（模式識別）準確率的度量指標
281誤分類的誤差
282混淆矩陣
283基于ROC曲線的分類器比較
29機器學習中的設計周期和問題概述
第3章統(tǒng)計學習
31機器學習和推斷統(tǒng)計分析
32學習技術中的描述統(tǒng)計學
321表示數(shù)據(jù)的不確定性：概率分布
322概率分布的描述性度量
323數(shù)據(jù)樣本的描述性度量
324正態(tài)分布
325數(shù)據(jù)相似性
33貝葉斯推理：推理的一種概率方法
331貝葉斯定理
332樸素貝葉斯分類器
333貝葉斯信念網絡
34k近鄰分類器
35判別函數(shù)和回歸函數(shù)
351分類和判別函數(shù)
352數(shù)值預測和回歸函數(shù)
353實用假設函數(shù)
36基于最小二乘誤差準則的線性回歸
361最小化誤差平方和以及偽逆
362梯度下降優(yōu)化方案
363最小均方算法
37用于分類任務的邏輯回歸
38費希爾的線性判別和分類的閾值
381費希爾的線性判別
382閾值
39最小描述長度原則
391貝葉斯視角
392熵和信息
第4章學習支持向量機
41引言
42二元分類的線性判別函數(shù)
43感知器算法
44用于線性可分離數(shù)據(jù)的線性最大邊距的分類器
45用于重疊類的線性軟邊距分類器
46核函數(shù)約簡的特征空間
47非線性分類器
48支持向量機的回歸器
481線性回歸器
482非線性回歸器
49將多元分類問題分解為二元分類任務
491一對所有
492一對一
410基本SVM技術的變體
第5章基于神經網絡的學習
51走向認知機器
52神經元模型
521生物神經元
522人工神經元
523數(shù)學模型
53網絡架構
531前饋網絡
532循環(huán)網絡
54感知器
541線性分類任務中感知器算法的局限性
542使用回歸技術的線性分類器
543標準梯度下降優(yōu)化方案：最速下降
55線性神經元和WidrowHoff學習規(guī)則
56誤差修正的delta規(guī)則
57多層感知器網絡和誤差反向傳播算法
571廣義的delta規(guī)則
572收斂和局部最小值
573為梯度下降增加動量項
574誤差反向傳播算法的啟發(fā)式方面
58MLP網絡的多元判別
59徑向基函數(shù)網絡
510遺傳神經系統(tǒng)
第6章模糊推理系統(tǒng)
61引言
62認知不確定性和模糊規(guī)則庫
63知識的模糊量化
631模糊邏輯
632模糊集
633模糊集操作
634模糊關系
64模糊規(guī)則庫和近似推理
641通過模糊關系量化規(guī)則
642輸入的模糊化
643推理機制
644推斷模糊集的去模糊化
65模糊推理系統(tǒng)的MAMDANI模型
651移動障礙物中的移動機器人導航
652抵押貸款評估
66TS模糊模型
67神經模糊推理系統(tǒng)
671ANFIS架構
672ANFIS如何學習
68遺傳模糊系統(tǒng)
第7章數(shù)據(jù)聚類和數(shù)據(jù)轉換
71無監(jiān)督學習
72數(shù)據(jù)工程
721探索性數(shù)據(jù)分析：了解數(shù)據(jù)中的內容
722聚類分析：查找數(shù)據(jù)中的相似性
723數(shù)據(jù)轉換：增強數(shù)據(jù)的信息內容
73基本聚類方法概述
731分割聚類
732層次聚類
733譜聚類
734使用自組織映射進行聚類
74K均值聚類
75模糊K均值聚類
76期望最大化算法和高斯混合聚類
761EM算法
762高斯混合模型
77一些有用的數(shù)據(jù)轉換
771數(shù)據(jù)清洗
772衍生屬性
773離散化數(shù)值屬性
774屬性約簡技術
78基于熵的屬性離散化方法
79用于屬性約簡的主成分分析
710基于粗糙集的屬性約簡方法
7101粗糙集基礎
7102屬性相關性分析
7103屬性約簡
第8章決策樹學習
81引言
82決策樹分類的例子
83評估決策樹分裂的不純度度量
831信息增益/熵減少
832增益比
833基尼系數(shù)
84 ID3、C45以及CART決策樹
85樹的剪枝
86決策樹方法的優(yōu)勢和劣勢
87模糊決策樹
第9章商業(yè)智能與數(shù)據(jù)挖掘：技術和應用
91關于分析的簡介
911機器學習、數(shù)據(jù)挖掘和預測分析
912基本分析技術
92CRISPDM(跨行業(yè)數(shù)據(jù)挖掘標準流程)模型
93數(shù)據(jù)倉庫和在線分析處