机器学习

本书展示了机器学习中核心的算法和理论,并阐明了算法的运行过程。本书综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。本书可作为计算机专业本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。

译者序前言第一章引言第一节学习问题的标准描述第二节设计一个学习系统第三节机器学习的一些观点和问题第四节如何阅读本书第五节小结和补充读物习题第二章概念学习和一般到特殊序第一节简介第二节概念学习任务第三节作为溲索的概念学习第四节FIND-S：寻找极大特殊假设第五节变型空间和侯选消除算法第六节关于变型空间和侯选消除的说明第七节归纳偏置第八节小结和补充读物习题第三章决策树学习第一节简介第二节决策树表示法第三节决策树学习的适用问题第四节基本的决策树学习算法第五节决策学习树中的假设空间搜索第六节决策树学习的归纳偏置第七节决策树学习的常见问题第八节小结和补充读物习题第四章人工神经网络第一节简介第二节神经网络表示第三节适合神经网络学习的问题第四节感知器第五节多层网络和反向传播算法第六节反向传播算法的说明第七节举例：人脸识别第八节人工神经网络的高级选题第九节小结和补充读物习题第五章评估假设第一节动机第二节估计假设精度第三节采样理论基础第四节推导置信区间的一般方法第五节两个假设错误率间的差异第六节学习算法比较第七节小结和补充读物习题第六章贝叶斯学习第一节简介第二节贝叶斯法则第三节贝叶斯法则和概念学习第四节极大似然和最小误差平方假设第五节用于预测概率的极大似然假设第六节最小描述长度准则第七节贝叶斯最优分类器第八节GIBBS算法第九节朴素贝叶斯分类器第十节举例：学习分类文本第十一节贝叶斯信念网第十二节EM算法第十三节小结和补充读物习题第七章计算学习和理论第一节简介第二节可能学习近似正确假设第三节有限假设空间的样本复杂度第四节无限空假设空间的样本复杂度第五节学习的出错界限模型第六节小结和补充读物习题第八章基于实例的学习第一节简介第二节κ-近邻算法第三节局部加权回归第四节径向基函数第五节基于案例的推理第六节对消极学习和积极学习的评论第七节小结和补充读物习题第九章遗传算法第一节动机第二节遗传算法第三节举例第四节假设空间搜索第五节遗传编程第六节进化和学习模型第七节并行遗传算法第八节小结和补充读物习题第十章学习规则集合第一节简介第二节序列覆盖算法第三节学习规则集：小结第四节术语第五节学习一阶规则集：FOLL第六节作为逆演绎的归纳第七节逆归纳第八节小结和补充读物习题第十一章分析学习第一节简介第二节用完美的领域理论学习第三节对基于解释的学习的说明第四节搜索控制知识的基于解释的学习第五节小结和补充读物习题第十二章归纳和分析学习的结合第一节动机第二节学习的归纳-分析途径第三节使用先验知识得到初始假设第四节使用先验知识改变搜索目标第五节使用先验知识来扩展搜索算子第六节研究现状第七节小结和补充读物习题第十三章增强学习第一节简介第二节学习任务第三节函数第四节悲观确定性回报和动作第五节时间差分学习第六节从样例中泛化第七节与动态规划的联系第八节小结和补充读物习题附录符号约定