"《集成學習：基礎與算法》是目前國內獨本繫統性闡述集成學習的著作。集成學習的思路是通過結合多個學習器來解決問題，它在實踐中大獲成功——人稱“從業者應學應會的大殺器”之一。化繁為簡：將復雜的原理簡化為易於理解的表達，通俗易懂；結構合理：兼具廣度與深度。既闡述該領域的重要話題，又詳釋了重要算法的實現並輔以偽代碼，更易上手；注重實踐：闡述集成學習在多個領域的應用，如計算機視覺、醫療、信息安全和數據挖掘競賽等；拓展閱讀：提供豐富的參考資料，讀者可按圖索驥、自行深入學習；新手通過本等

●第1章 緒論
1.1 基本概念
1.2 常用學習算法
1.2.1 線性判別分析
1.2.2 決策樹
1.2.3 神經網絡
1.2.4 樸素貝葉斯
1.2.5 k-近鄰
1.2.6 支持向量機和核方法
1.3 評估和對比
1.4 集成學習方法
1.5 集成學習方法的應用
1.6 拓展閱讀
第2章 Boosting
2.1 Boosting過程
2.2 AdaBoost算法
2.3 說明性舉例
2.4 理論探討
2.4.1 基本分析
2.4.2 間隔解釋
2.4.3 統計視角
2.5 多分類問題
2.6 容噪能力
2.7 拓展閱讀
第3章 Bagging
3.1 兩種集成範式
3.2 Bagging算法
3.3 說明性舉例
3.4 理論探討
3.5 隨機樹集成
3.5.1 隨機森林
3.5.2 隨機化譜
3.5.3 隨機森林用於密度估計
3.5.4 隨機森林用於異常檢測
3.6 拓展閱讀
第4章 結合方法
4.1 結合帶來的益處
4.2 均值法
4.2.1 簡單平均法
4.2.2 加權平均法
4.3 投票法
4.3.1 絕對多數投票法
4.3.2 相對多數投票法
4.3.3 加權投票法
4.3.4 軟投票法
4.3.5 理論探討
4.4 學習結合法
4.4.1 Stacking
4.4.2 無限集成
4.5 其他結合方法
4.5.1 代數法
4.5.2 行為知識空間法
4.5.3 決策模板法
4.6 相關方法
4.6.1 糾錯輸出編碼法
4.6.2 動態分類器選擇法
4.6.3 混合專家模型
4.7 拓展閱讀
第5章 多樣性
5.1 集成多樣性
5.2 誤差分解
5.2.1 誤差-分歧分解
5.2.2 偏差-方差-協方差分解
5.3 多樣性度量
5.3.1 成對度量
5.3.2 非成對度量
5.3.3 小結和可視化
5.3.4 多樣性度量的局限
5.4 信息論多樣性
5.4.1 信息論和集成
5.4.2 交互信息多樣性
5.4.3 多信息多樣性
5.4.4 估計方法
5.5 多樣性增強
5.6 拓展閱讀
第6章 集成修剪
6.1 何謂集成修剪
6.2 多比全好
6.3 修剪方法分類
6.4 基於排序的修剪
6.5 基於聚類的修剪
6.6 基於優化的修剪
6.6.1 啟發式優化修剪
6.6.2 數學規劃修剪
6.6.3 概率修剪
6.7 拓展閱讀
第7章 聚類集成
7.1 聚類
7.1.1 聚類方法
7.1.2 聚類評估
7.1.3 為什麼要做聚類集成
7.2 聚類集成方法分類
7.3 基於相似度的方法
7.4 基於圖的方法
7.5 基於重標記的方法
7.6 基於變換的方法
7.7 拓展閱讀
第8章 進階議題
8.1 半監督學習
8.1.1 未標記數據的效用
8.1.2 半監督學習的集成學習方法
8.2 主動學習
8.2.1 人為介入的效用
8.2.2 基於集成的主動學習
8.3 代價敏感學習
8.3.1 不均等代價下的學習
8.3.2 代價敏感學習的集成方法
8.4 類別不平衡學習
8.4.1 類別不平衡
8.4.2 類別不平衡學習的性能評估
8.4.3 類別不平衡學習的集成方法
8.5 提升可解釋性
8.5.1 集成約簡
8.5.2 規則抽取
8.5.3 可視化
8.6 未來的研究方向
8.7 拓展閱讀
參考文獻
索引

集成學習方法是一類優選的機器學習方法，這類方法訓練多個學習器並將它們結合起來解決一個問題，在實踐中獲得了巨大成功。全書分為三部分。第一部分主要介紹集成學習的背景知識；第二部分主要介紹集成學習方法的核心知識，包括Boosting、Bagging、Random Forests等經典算法，平均、投票和Stacking等模型和方法、相關理論分析工作，以及多樣性度量和增強方面的進展。第三部分介紹集成學習方法的進階議題，包括集成修剪、聚類集成和集成學習方法在半監督學習、主動學習、代價敏感學習、類別不平衡學習，以及提升可理解性方面的進展。此外，本書還在每章中的“拓展閱讀”部分提供了相關的進階內容。本書適合對集成學習方法感興趣的研究人員、學生和實踐者閱讀。