機(jī)器學(xué)習(xí)及其應(yīng)用

譯者序
前言
致謝
作者簡(jiǎn)介
第1章引言
11走向智能機(jī)器
12良好的機(jī)器學(xué)習(xí)問題
13各種領(lǐng)域的應(yīng)用實(shí)例
14數(shù)據(jù)表示
141時(shí)間序列預(yù)測(cè)
142練習(xí)數(shù)據(jù)集和現(xiàn)實(shí)問題數(shù)據(jù)集
15機(jī)器學(xué)習(xí)生產(chǎn)應(yīng)用所需的領(lǐng)域知識(shí)
16多樣化的數(shù)據(jù)：結(jié)構(gòu)的/非結(jié)構(gòu)的
17學(xué)習(xí)形式
171監(jiān)督/直接學(xué)習(xí)
172無監(jiān)督/間接學(xué)習(xí)
173強(qiáng)化學(xué)習(xí)
174基于自然過程的學(xué)習(xí)：進(jìn)化、群智和免疫系統(tǒng)
18機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘
19機(jī)器學(xué)習(xí)技術(shù)中的基本線性代數(shù)知識(shí)
110機(jī)器學(xué)習(xí)的相關(guān)資源
第2章監(jiān)督學(xué)習(xí)：基本原理和基礎(chǔ)知識(shí)
21從觀察中學(xué)習(xí)
22偏差和方差
23為什么學(xué)習(xí)是有效的：計(jì)算學(xué)習(xí)理論
24奧卡姆剃刀原理和防止過擬合
25歸納學(xué)習(xí)中的啟發(fā)式搜索
251搜索假設(shè)空間
252集成學(xué)習(xí)
253學(xué)習(xí)系統(tǒng)的評(píng)估
26泛化誤差估計(jì)
261留出法和隨機(jī)子采樣
262交叉驗(yàn)證
263自助法
27用于評(píng)估回歸（數(shù)值預(yù)測(cè)）準(zhǔn)確率的度量指標(biāo)
271均方誤差
272平均絕對(duì)誤差
28用于評(píng)估分類（模式識(shí)別）準(zhǔn)確率的度量指標(biāo)
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(jī)器學(xué)習(xí)中的設(shè)計(jì)周期和問題概述
第3章統(tǒng)計(jì)學(xué)習(xí)
31機(jī)器學(xué)習(xí)和推斷統(tǒng)計(jì)分析
32學(xué)習(xí)技術(shù)中的描述統(tǒng)計(jì)學(xué)
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(wǎng)絡(luò)
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(yù)測(cè)和回歸函數(shù)
353實(shí)用假設(shè)函數(shù)
36基于最小二乘誤差準(zhǔn)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(wù)的邏輯回歸
38費(fèi)希爾的線性判別和分類的閾值
381費(fèi)希爾的線性判別
382閾值
39最小描述長(zhǎng)度原則
391貝葉斯視角
392熵和信息
第4章學(xué)習(xí)支持向量機(jī)
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(jiǎn)的特征空間
47非線性分類器
48支持向量機(jī)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(wù)
491一對(duì)所有
492一對(duì)一
410基本SVM技術(shù)的變體
第5章基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
51走向認(rèn)知機(jī)器
52神經(jīng)元模型
521生物神經(jīng)元
522人工神經(jīng)元
523數(shù)學(xué)模型
53網(wǎng)絡(luò)架構(gòu)
531前饋網(wǎng)絡(luò)
532循環(huán)網(wǎng)絡(luò)
54感知器
541線性分類任務(wù)中感知器算法的局限性
542使用回歸技術(shù)的線性分類器
543標(biāo)準(zhǔn)梯度下降優(yōu)化方案：最速下降
55線性神經(jīng)元和WidrowHoff學(xué)習(xí)規(guī)則
56誤差修正的delta規(guī)則
57多層感知器網(wǎng)絡(luò)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(dòng)量項(xiàng)
574誤差反向傳播算法的啟發(fā)式方面
58MLP網(wǎng)絡(luò)的多元判別
59徑向基函數(shù)網(wǎng)絡(luò)
510遺傳神經(jīng)系統(tǒng)
第6章模糊推理系統(tǒng)
61引言
62認(rèn)知不確定性和模糊規(guī)則庫(kù)
63知識(shí)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(guān)系
64模糊規(guī)則庫(kù)和近似推理
641通過模糊關(guān)系量化規(guī)則
642輸入的模糊化
643推理機(jī)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(dòng)障礙物中的移動(dòng)機(jī)器人導(dǎo)航
652抵押貸款評(píng)估
66TS模糊模型
67神經(jīng)模糊推理系統(tǒng)
671ANFIS架構(gòu)
672ANFIS如何學(xué)習(xí)
68遺傳模糊系統(tǒng)
第7章數(shù)據(jù)聚類和數(shù)據(jù)轉(zhuǎn)換
71無監(jiān)督學(xué)習(xí)
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(nèi)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(zhuǎn)換：增強(qiáng)數(shù)據(jù)的信息內(nèi)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(jìn)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(zhuǎn)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(jiǎn)技術(shù)
78基于熵的屬性離散化方法
79用于屬性約簡(jiǎn)的主成分分析
710基于粗糙集的屬性約簡(jiǎn)方法
7101粗糙集基礎(chǔ)
7102屬性相關(guān)性分析
7103屬性約簡(jiǎn)
第8章決策樹學(xué)習(xí)
81引言
82決策樹分類的例子
83評(píng)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(shì)和劣勢(shì)
87模糊決策樹
第9章商業(yè)智能與數(shù)據(jù)挖掘：技術(shù)和應(yīng)用
91關(guān)于分析的簡(jiǎn)介
911機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和預(yù)測(cè)分析
912基本分析技術(shù)
92CRISPDM(跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程)模型
93數(shù)據(jù)倉(cāng)庫(kù)和在線分析處