●譯者序
原書前言
章 一個簡單的機器學習任務 //1
1.1 訓練集和分類器 //1
1.2 題外話：爬山搜索 //4
1.3 機器學習中的爬山法 //6
1.4 分類器的性能 //8
1.5 可用數據的困難 //9
1.6 小結和歷史簡評 //11
1.7 鞏固知識 //11
第2章 概率：貝葉斯分類器 //14
2.1 單屬性的情況 //14
2.2 離散屬性值的向量 //17
2.3 稀少事件的概率：利用專家的直覺 //20
2.4 如何處理連續屬性 //23
2.5 高斯鐘形函數：一個標準的 pdf //24
2.6 用高斯函數的集合近似 pdf //26
2.7 小結和歷史簡評 //30
2.8 鞏固知識 //30
第3章 相似性：最近鄰分類器 //32
3.1 k近鄰法則 //32
3.2 度量相似性 //34
3.3 不相關屬性與尺度縮放問題 //36
3.4 性能方面的考慮 //39
3.5 加權最近鄰 //41 3.6 移除危險的樣例 //42
3.7 移除多餘的樣例 //44
3.8 小結和歷史簡評 //46
3.9 鞏固知識 //46
第4章 類間邊界：線性和多項式分類器 //49
4.1 本質 //49
4.2 加法規則：感知機學習 //51
4.3 乘法規則： WINNOW //55
4.4 多於兩個類的域 //58
4.5 多項式分類器 //60
4.6 多項式分類器的特殊方面 //62
4.7 數值域和 SVM //63
4.8 小結和歷史簡評 //65
4.9 鞏固知識 //66
第5章 人工神經網絡 //69
5.1 作為分類器的多層感知機 //69
5.2 神經網絡的誤差 //72
5.3 誤差的反向傳播 //73
5.4 多層感知機的特殊方面 //77
5.5 結構問題 //79
5.6 RBF網絡 //81
5.7 小結和歷史簡評 //83
5.8 鞏固知識 //84
第6章 決策樹 //86
6.1 作為分類器的決策樹 //86
6.2 決策樹的歸納學習 //89
6.3 一個屬性承載的信息 //91
6.4 數值屬劃分 //94
6.5 剪枝 //96
6.6 將決策樹轉換為規則 //99
6.7 小結和歷史簡評 //101
6.8 鞏固知識 //101
第7章 計算學習理論 //104
7.1 PAC學習 //104
7.2 PAC可學習性的實例 //106
7.3 一些實踐和理論結果 //108
7.4 VC維與可學習性 //110
7.5 小結和歷史簡評 //112
7.6 鞏固知識 //112
第8章 典型案例 //114
8.1 字符識別 //114
8.2 溢油檢測 //117
8.3 睡眠分類 //119
8.4 腦機界面 //121
8.5 醫療診斷 //124
8.6 文本分類 //126
8.7 小結和歷史簡評 //127
8.8 鞏固知識 //128
第9章 投票組合簡介 //130
9.1 “Bagging”方法 //130
9.2 “Schapire’s Boosting”方法 //132
9.3 “Adaboost”方法： “Boosting”方法的實用版本 //134
9.4 “Boosting”方法的變種 //138
9.5 該方法的計算優勢 //139
9.6 小結和歷史簡評 //141
9.7 鞏固知識 //141
0章 了解一些實踐知識 //143
10.1 學習器的偏好 //143
10.2 不平衡訓練集 //145
10.3 語境相關域 //148
10.4 未知屬性值 //150
10.5 屬性選擇 //152
10.6 雜項 //154
10.7 小結和歷史簡評 //155
10.8 鞏固知識 //156
1章 性能評估 //158
11.1 基本性能標準 //158
11.2 精度和查全率 //160
11.3 測量性能的其他方法 //163
11.4 學習曲線和計算開銷 //166
11.5 實驗評估的方法 //167
11.6 小結和歷史簡評 //169
11.7 鞏固知識 //170
2章 統計顯著性 //173
12.1 總體抽樣 //173
12.2 從正態分布中獲益 //176
12.3 置信區間 //178
12.4 一個分類器的統計評價 //180
12.5 另外一種統計評價 //182
12.6 機器學習技術的比較 //182
12.7 小結和歷史簡評 //184
12.8 鞏固知識 //185
3章 多標簽學習 //186
13.1 經典機器學習框架下的多標簽
問題 //186
13.2 單獨處理每類數據的方相關法 //188
13.3 分類器鏈 //190
13.4 另一種方法：層疊算法 //191
13.5 層次有序類的簡介 //192
13.6 類聚合 //194
13.7 分類器性能的評價標準 //196
13.8 小結和歷史簡評 //198
13.9 鞏固知識 //199
4章 無監督學習 //202
14.1 聚類分析 //202
14.2 簡單算法： k均值 //204
14.3 k均值的不錯版 //207
14.4 分層聚集 //209
14.5 自組織特征映射：簡介 //211
14.6 一些重要的細節 //213
14.7 為什麼要特征映射 //214
14.8 小結和歷史簡評 //215
14.9 鞏固知識 //216
5章 規則集形式的分類器 //218
15.1 由規則描述的類別 //218
15.2 通過序列覆蓋歸納規則集 //220
15.3 謂詞與循環 //222
15.4 更多不錯的搜索算子 //224
15.5 小結和歷史簡評 //225
15.6 鞏固知識 //225
6章 遺傳算法 //227
16.1 基本遺傳算法 //227
16.2 個體模塊的實現 //229
16.3 為什麼能起作用 //231
16.4 過早退化的危險 //233
16.5 其他遺傳算子 //234
16.6 不錯版本 //235
16.7 kNN分類器的選擇 //237
16.8 小結和歷史簡評 //239
16.9 鞏固知識 //240
7章 強化學習 //241
17.1 如何選出最高獎勵的動作 //241
17.2 遊戲的狀態和動作 //243
17.3 SARSA方法 //245
17.4 小結和歷史簡評 //245
17.5 鞏固知識 //246
參考文獻 //247