机器学习导论 2版【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

机器学习导论 2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1什么是机器学习1

1.2机器学习的应用实例3

1.2.1学习关联性3

1.2.2分类3

1.2.3回归6

1.2.4非监督学习7

1.2.5增强学习8

1.3注释8

1.4相关资源10

1.5习题11

1.6参考文献12

第2章 监督学习13

2.1由实例学习类13

2.2 VC维15

2.3概率逼近正确学习16

2.4噪声17

2.5学习多类18

2.6回归19

2.7模型选择与泛化21

2.8监督机器学习算法的维23

2.9注释24

2.10习题25

2.11参考文献25

第3章 贝叶斯决策定理27

3.1引言27

3.2分类28

3.3损失与风险29

3.4判别式函数31

3.5效用理论31

3.6关联规则32

3.7注释33

3.8习题33

3.9参考文献34

第4章 参数方法35

4.1引言35

4.2最大似然估计35

4.2.1伯努利密度36

4.2.2多项密度36

4.2.3高斯（正态）密度37

4.3评价估计：偏倚和方差37

4.4贝叶斯估计38

4.5参数分类40

4.6回归43

4.7调整模型的复杂度：偏倚/方差两难选择45

4.8模型选择过程47

4.9注释50

4.10习题50

4.11参考文献51

第5章 多元方法52

5.1多元数据52

5.2参数估计52

5.3缺失值估计53

5.4多元正态分布54

5.5多元分类56

5.6调整复杂度59

5.7离散特征61

5.8多元回归62

5.9注释63

5.10习题63

5.11参考文献64

第6章 维度归约65

6.1引言65

6.2子集选择65

6.3主成分分析67

6.4因子分析71

6.5多维定标77

6.6线性判别分析77

6.7等距特征映射80

6.8局部线性嵌入81

6.9注释83

6.10习题84

6.11参考文献85

第7章 聚类86

7.1引言86

7.2混合密度86

7.3 k-均值聚类87

7.4期望最大化算法90

7.5潜在变量混合模型93

7.6聚类后的监督学习94

7.7层次聚类95

7.8选择簇个数96

7.9注释96

7.10习题97

7.11参考文献97

第8章 非参数方法99

8.1引言99

8.2非参数密度估计99

8.2.1直方图估计100

8.2.2核估计101

8.2.3 k-最近邻估计102

8.3到多元数据的推广103

8.4非参数分类104

8.5精简的最近邻105

8.6非参数回归：光滑模型106

8.6.1移动均值光滑106

8.6.2核光滑108

8.6.3移动线光滑108

8.7如何选择光滑参数109

8.8注释110

8.9习题111

8.10参考文献112

第9章 决策树113

9.1引言113

9.2单变量树114

9.2.1分类树114

9.2.2回归树118

9.3剪枝119

9.4由决策树提取规则120

9.5由数据学习规则121

9.6多变量树124

9.7注释125

9.8习题126

9.9参考文献127

第10章 线性判别式129

10.1引言129

10.2推广线性模型130

10.3线性判别式的几何意义131

10.3.1两类问题131

10.3.2多类问题132

10.4逐对分离132

10.5参数判别式的进一步讨论133

10.6梯度下降135

10.7逻辑斯谛判别式135

10.7.1两类问题135

10.7.2多类问题138

10.8回归判别式141

10.9注释142

10 10习题143

10.11参考文献143

第11章 多层感知器144

11.1引言144

11.1.1理解人脑144

11.1.2神经网络作为并行处理的典范145

11.2感知器146

11.3训练感知器148

11.4学习布尔函数150

11.5多层感知器151

11.6作为普适近似的MLP153

11.7后向传播算法154

11.7.1非线性回归154

11.7.2两类判别式157

11.7.3多类判别式158

11.7.4多个隐藏层158

11.8训练过程158

11.8.1改善收敛性158

11.8.2过分训练159

11.8.3构造网络161

11.8.4线索162

11.9调整网络规模163

11.10学习的贝叶斯观点164

11.11维度归约165

11.12学习时间167

11.12.1时间延迟神经网络167

11.12.2递归网络168

11.13注释169

11.14习题170

11.15 参考文献170

第12章 局部模型173

12.1引言173

12.2竞争学习173

12.2.1在线k-均值173

12.2.2自适应共鸣理论176

12.2.3自组织映射177

12.3径向基函数178

12.4结合基于规则的知识182

12.5规范化基函数182

12.6竞争的基函数184

12.7学习向量量化186

12.8混合专家模型186

12.8.1协同专家模型188

12.8.2竞争专家模型188

12.9层次混合专家模型189

12.10注释189

12.11习题190

12.12参考文献190

第13章 核机器192

13.1引言192

13.2最佳分离超平面193

13.3不可分情况：软边缘超平面195

13.4v-SVM197

13.5核技巧198

13.6向量核199

13.7定义核200

13.8多核学习201

13.9多类核机器202

13.10用于回归的核机器203

13.11一类核机器206

13.12核维度归约208

13.13注释209

13.14习题209

13.15 参考文献210

第14章 贝叶斯估计212

14.1引言212

14.2分布参数的估计213

14.2.1离散变量213

14.2.2连续变量215

14.3函数参数的贝叶斯估计216

14.3.1回归216

14.3.2基函数或核函数的使用218

14.3.3贝叶斯分类219

14.4高斯过程221

14.5注释223

14.6习题224

14.7参考文献224

第15章 隐马尔可夫模型225

15.1引言225

15.2离散马尔可夫过程225

15.3隐马尔可夫模型227

15.4 HMM的三个基本问题229

15.5估值问题229

15.6寻找状态序列231

15.7学习模型参数233

15.8连续观测235

15.9带输入的HMM236

15.10 HMM中的模型选择236

15.11注释237

15.12习题238

15.13参考文献239

第16章 图方法240

16.1引言240

16.2条件独立的典型情况241

16.3图模型实例245

16.3.1朴素贝叶斯分类245

16.3.2隐马尔可夫模型246

16.3.3线性回归248

16.4 d-分离248

16.5信念传播249

16.5.1链249

16.5.2树250

16.5.3多树251

16.5.4结树252

16.6无向图：马尔可夫随机场253

16.7学习图模型的结构254

16.8影响图255

16.9注释255

16.10习题256

16.11参考文献256

第17章 组合多学习器258

17.1基本原理258

17.2产生有差异的学习器258

17.3模型组合方案260

17.4投票法261

17.5纠错输出码263

17.6装袋265

17.7提升265

17.8重温混合专家模型267

17.9层叠泛化268

17.10调整系综268

17.11级联269

17.12注释270

17.13习题271

17.14参考文献272

第18章 增强学习275

18.1引言275

18.2单状态情况：K臂赌博机问题276

18.3增强学习基础277

18.4基于模型的学习278

18.4.1价值迭代279

18.4.2策略迭代279

18.5时间差分学习280

18.5.1探索策略280

18.5.2确定性奖励和动作280

18.5.3非确定性奖励和动作282

18.5.4资格迹283

18.6推广285

18.7部分可观测状态286

18.7.1场景286

18.7.2例子：老虎问题287

18.8注释290

18.9习题291

18.10参考文献292

第19章 机器学习实验的设计与分析294

19.1引言294

19.2因素、响应和实验策略296

19.3响应面设计297

19.4随机化、重复和阻止298

19.5机器学习实验指南298

19.6交叉验证和再抽样方法300

19.6.1 K-折交叉验证300

19.6.2 5 x2交叉验证301

19.6.3自助法302

19.7度量分类器的性能302

19.8区间估计304

19.9假设检验307

19.10评估分类算法的性能308

19.10.1二项检验308