187張圖解輕松入門    提供可執行的Matlab程序代碼    覆蓋機器學習中實用、用途廣的算法    專業實用    東京大學教授、機器學習研究人員執筆，濃縮機器學習的關鍵知識點    圖文並茂   &n等

●第I部分緒論
第1章什麼是機器學習2
1.1學習的種類2
1.2機器學習任務的例子4
1.3機器學習的方法8
第2章學習模型12
2.1線性模型12
2.2核模型15
2.3層級模型17
第II部分有監督回歸
第3章最小二乘學習法22
3.1最小二乘學習法22
3.2最小二乘解的性質25
3.3大規模數據的學習算法27
第4章帶有約束條件的最小二乘法31
4.1部分空間約束的最小二乘學習法31
4.2ｌ2約束的最小二乘學習法33
4.3模型選擇37
第5章稀疏學習43
5.1ｌ1約束的最小二乘學習法43
5.2ｌ1約束的最小二乘學習的求解方法45
5.3通過稀疏學習進行特征選擇50
5.4ｌp約束的最小二乘學習法51
5.5ｌ1+ｌ2約束的最小二乘學習法52
第6章魯棒學習55
6.1ｌ1損失最小化學習56
6.2Huber損失最小化學習58
6.3圖基損失最小化學習63
6.4ｌ1約束的Huber損失最小化學習65
第III部分有監督分類
第7章基於最小二乘法的分類70
7.1最小二乘分類70
7.20/1損失和間隔73
7.3多類別的情形76
第8章支持向量機分類80
8.1間隔優選化分類80
8.2支持向量機分類器的求解方法83
8.3稀疏性86
8.4使用核映射的非線性模型88
8.5使用Hinge損失最小化學習來解釋90
8.6使用Ramp損失的魯棒學習93
第9章集成分類98
9.1剪枝分類98
9.2Bagging學習法101
9.3Boosting學習法105
第10章概率分類法112
10.1Logistic回歸112
10.2最小二乘概率分類116
第11章序列數據的分類121
11.1序列數據的模型化122
11.2條件隨機場模型的學習125
11.3利用條件隨機場模型對標簽序列進行預測128
第IV部分無監督學習
第12章異常檢測132
12.1局部異常因子132
12.2支持向量機異常檢測135
12.3基於密度比的異常檢測137
第13章無監督降維143
13.1線性降維的原理144
13.2主成分分析146
13.3局部保持投影148
13.4核函數主成分分析152
13.5拉普拉斯特征映射155
第14章聚類158
14.1K均值聚類158
14.2核K均值聚類160
14.3譜聚類161
14.4調整參數的自動選取163
第V部分新興機器學習算法
第15章在線學習170
15.1被動攻擊學習170
15.2適應正則化學習176
第16章半監督學習181
16.1靈活應用輸入數據的流形構造182
16.2拉普拉斯正則化最小二乘學習的求解方法183
16.3拉普拉斯正則化的解釋186
第17章監督降維188
17.1與分類問題相對應的判別分析188
17.2充分降維195
第18章遷移學習197
18.1協變量移位下的遷移學習197
18.2類別平衡變化下的遷移學習204
第19章多任務學習212
19.1使用最小二乘回歸的多任務學習212
19.2使用最小二乘概率分類器的多任務學習215
19.3多次維輸出函數的學習216
第VI部分結語
第20章總結與展望222
參考文獻225

《圖解機器學習》用豐富的圖示，從最小二乘法出發，對基於最小二乘法實現的各種機器學習算法進行了詳細的介紹。第Ⅰ部分介紹了機器學習領域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監督的回歸算法和分類算法；第Ⅳ部分介紹了各種無監督學習算法；第Ⅴ部分介紹了機器學習領域中的新興算法。書中大部分算法都有相應的MATLAB程序源代碼，可以用來進行簡單的測試。本書適合所有對機器學習有興趣的初學者閱讀。