计算机科学丛书 机器学习导论

图书标准信息

• 作者 [土]阿培丁 著；范明 译
• 出版社 机械工业出版社
• 出版时间 2009-06
• 版次 1
• ISBN 9787111265245
• 定价 39.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 272页
• 正文语种 简体中文
• 原版书名 Introduction to Machine Learning
• 丛书 计算机科学丛书

【内容简介】

　　《机器学习导论》对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能。信号处理、控制和数据挖掘等不同领域的应用。对所有学习算法都进行了解释，以便读者可以容易地将书中的公式转变为计算机程序。《机器学习导论》可作为高等院校计算机相关专业高年级本科生和研究生的教材，也可供研究机器学习方法的技术人员参考。

【作者简介】

　　Ethem Alpaydin，是土耳其伊斯坦布尔博阿齐奇大学计算机工程系的教授。于1990年在洛桑联邦理工学院获博士学位，之后先后在美国麻省理工和伯克利大学工作和进行博士后研究。Ethem博士主要从事机器学习方面的研究，是剑桥大学的《The Computer Journal》杂志编委和Elsevier

【目录】

出版者的话
中文版序
译者序
前言
致谢
符号表
第1章绪论
1．1什么是机器学习
1．2机器学习的应用实例
1．2．1学习关联性
1．2．2分类
1．2．3回归
1．2．4非监督学习
1．2．5增强学习
1．3注释
1．4相关资源
1．5习题
1．6参考文献

第2章监督学习
2．1由实例学习类
2．2VC维
2．3概率逼近正确学习
2．4噪声
2．5学习多类
2．6回归
2．7模型选择与泛化
2．8监督机器学习算法的维
2．9注释
2．10习题
2．11参考文献

第3章贝叶斯决策定理
3．1引言
3．2分类
3．3损失与风险
3．4判别式函数
3．5效用理论
3．6信息值
3．7贝叶斯网络
3．8影响图
3．9关联规则
3．10注释
3．11习题
3．12参考文献

第4章参数方法
4．1引言
4．2最大似然估计
4．2．1伯努利密度
4．2．2多项密度
4．2．3高斯(正态)密度
4．3评价估计：偏倚和方差
4．4贝叶斯估计
4．5参数分类
4．6回归
4．7调整模型的复杂度：偏倚／方差两难选择
4．8模型选择过程
4．9注释
4．10习题
4．11参考文献

第5章多元方法
5．1多元数据
5．2参数估计
5．3缺失值估计
5．4多元正态分布
5．5多元分类
5．6调整复杂度
5．7离散特征
5．8多元回归
5．9注释
5．10习题
5．11参考文献

第6章维度归约
6．1引言
6．2子集选择
6．3主成分分析
6．4因子分析
6．5多维定标
6．6线性判别分析
6．7注释
6．8习题
6．9参考文献

第7章聚类
7．1引言
7．2混合密度
7．3平均值聚类
7．4期望最大化算法
7．5潜在变量混合模型
7．6聚类后的监督学习
7．7层次聚类
7．8选择簇个数
7．9注释
7．10习题
7．11参考文献

第8章非参数方法
8．1引言
8．2非参数密度估计
8．2．1直方图估计
8．2．2核估计
8．2．3％-最近邻估计
8．3到多变元数据的推广
8．4非参数分类
8．5精简的最近邻
8．6非参数回归：光滑模型
8．6．1移动均值光滑
8．6．2核光滑
8．6．3移动线光滑
8．7如何选择光滑参数
8．8注释
8．9习题
8．10参考文献

第9章决策树
9．1引言
9．2单变量树
9．2．1分类树
9．2．2回归树
9．3剪枝
9．4由决策树提取规则
9．5由数据学习规则
9．6多变量树
9．7注释
9．8习题
9．9参考文献

第10章线性判别式
10．1引言
10．2推广线性模型
10．3线性判别式的几何意义
10．3．1两类问题
10．3．2多类问题
10．4逐对分离
10．5参数判别式的进一步讨论
10．6梯度下降
10．7逻辑斯谛判别式
10．7．1两类问题
10．7．2多类问题
10．8回归判别式
10．9支持向量机
10．9．1最佳分离超平面
10．9．2不可分情况：软边缘超平面
10．9．3核函数
10．9．4用于回归的支持向量机
10．10注释
10．11习题
10．12参考文献

第11章多层感知器
11．1引言
11．1．1理解人脑
11．1．2神经网络作为并行处理的典范
11．2感知器
11．3训练感知器
11．4学习布尔函数
11．5多层感知器
11．6MLP作为通用逼近器
11．7后向传播算法
11．7．1非线性回归
11．7．2两类判别式
11．7．3多类判别式
11．7．4多个隐藏层
11．8训练过程
11．8．1改善收敛性
11．8．2过分训练
11．8．3构造网络
11．8．4线索
11．9调整网络规模
11．10学习的贝叶斯观点
11．11维度归约
11．12学习时间
11．12．1时间延迟神经网络
11．12．2递归网络
11．13注释
11．14习题
11．15参考文献

第12章局部模型
12．1引言
12．2竞争学习
12．2．1在线均值
12．2．2自适应共鸣理论
12．2．3自组织映射
12．3径向基函数
12．4．结合基于规则的知识
12．5规范化基函数
12．6竞争的基函数
12．7学习向量量化
12．8混合专家模型
12．8．1协同专家模型
12．8．2竞争专家模型
12．9层次混合专家模型
12．10注释
12．11习题
12．12参考文献

第13章隐马尔可夫模型
13．1引言
13．2离散马尔可夫过程
13．3隐马尔可夫模型
13．4HMM的三个基本问题
13．5估值问题
13．6寻找状态序列
13．7学习模型参数
13．8连续观测
13．9带输入的HMM
13．10HNMqItl的模型选择
13．11注释
13．12习题
13．13参考文献

第14章分类算法评估和比较
14．1引言
14．2交叉确认和再抽样方法
14．2．1K．折交叉确认
14．2．25~2交叉确认
14．2．3自助法
14．3误差度量
14．4区间估计
14．5假设检验
14．6评估分类算法的性能
14．6．1二项检验
14．6．2近似正态检验
14．6．3配对￡检验
14．7比较两个分类算法
14．7．1McNemar-检验
14．7．2K-折交叉确认配对t检验
14．7．35x2交叉确认配对t检验
14．7．45x2交叉确认配对F检验
14．8比较多个分类算法：方差分析
14．9注释
14．10习题
14．11参考文献

第15章组合多学习器
15．1基本原理
15．2投票法
15．3纠错输出码
15．4装袋
15．5提升
15．6重温混合专家模型
15．7层叠泛化
15．8级联
15．9注释
15．10习题
15．11参考文献

第16章增强学习
16．1引言
16．2单状态情况：K臂赌博机问题
16．3增强学习基础
16．4基于模型的学习
16．4．1价值迭代
16．4．2策略迭代
16．5时间差分学习
16．5．1探索策略
16．5．2确定性奖励和动作
16．5．3确定性奖励和动作
16．5．4资格迹
16．6推广
16．7部分可观测状态
16．8注释
16．9习题
16．10参考文献
附录A概率论
索引