译者序

前言

致谢

作者简介

第1章引言

11走向智能机器

12良好的机器学习问题

13各种领域的应用实例

14数据表示

141时间序列预测

142练习数据集和现实问题数据集

15机器学习生产应用所需的领域知识

16多样化的数据：结构的/非结构的

17学习形式

171监督/直接学习

172无监督/间接学习

173强化学习

174基于自然过程的学习：进化、群智和免疫系统

18机器学习和数据挖掘

19机器学习技术中的基本线性代数知识

110机器学习的相关资源

第2章监督学习：基本原理和基础知识

21从观察中学习

22偏差和方差

23为什么学习是有效的：计算学习理论

24奥卡姆剃刀原理和防止过拟合

25归纳学习中的启发式搜索

251搜索假设空间

252集成学习

253学习系统的评估

26泛化误差估计

261留出法和随机子采样

262交叉验证

263自助法

27用于评估回归（数值预测）准确率的度量指标

271均方误差

272平均绝对误差

28用于评估分类（模式识别）准确率的度量指标

281误分类的误差

282混淆矩阵

283基于ROC曲线的分类器比较

29机器学习中的设计周期和问题概述

第3章统计学习

31机器学习和推断统计分析

32学习技术中的描述统计学

321表示数据的不确定性：概率分布

322概率分布的描述性度量

323数据样本的描述性度量

324正态分布

325数据相似性

33贝叶斯推理：推理的一种概率方法

331贝叶斯定理

332朴素贝叶斯分类器

333贝叶斯信念网络

34k近邻分类器

35判别函数和回归函数

351分类和判别函数

352数值预测和回归函数

353实用假设函数

36基于最小二乘误差准则的线性回归

361最小化误差平方和以及伪逆

362梯度下降优化方案

363最小均方算法

37用于分类任务的逻辑回归

38费希尔的线性判别和分类的阈值

381费希尔的线性判别

382阈值

39最小描述长度原则

391贝叶斯视角

392熵和信息

第4章学习支持向量机

41引言

42二元分类的线性判别函数

43感知器算法

44用于线性可分离数据的线性最大边距的分类器

45用于重叠类的线性软边距分类器

46核函数约简的特征空间

47非线性分类器

48支持向量机的回归器

481线性回归器

482非线性回归器

49将多元分类问题分解为二元分类任务

491一对所有

492一对一

410基本SVM技术的变体

第5章基于神经网络的学习

51走向认知机器

52神经元模型

521生物神经元

522人工神经元

523数学模型

53网络架构

531前馈网络

532循环网络

54感知器

541线性分类任务中感知器算法的局限性

542使用回归技术的线性分类器

543标准梯度下降优化方案：最速下降

55线性神经元和WidrowHoff学习规则

56误差修正的delta规则

57多层感知器网络和误差反向传播算法

571广义的delta规则

572收敛和局部最小值

573为梯度下降增加动量项

574误差反向传播算法的启发式方面

58MLP网络的多元判别

59径向基函数网络

510遗传神经系统

第6章模糊推理系统

61引言

62认知不确定性和模糊规则库

63知识的模糊量化

631模糊逻辑

632模糊集

633模糊集操作

634模糊关系

64模糊规则库和近似推理

641通过模糊关系量化规则

642输入的模糊化

643推理机制

644推断模糊集的去模糊化

65模糊推理系统的MAMDANI模型

651移动障碍物中的移动机器人导航

652抵押贷款评估

66TS模糊模型

67神经模糊推理系统

671ANFIS架构

672ANFIS如何学习

68遗传模糊系统

第7章数据聚类和数据转换

71无监督学习

72数据工程

721探索性数据分析：了解数据中的内容

722聚类分析：查找数据中的相似性

723数据转换：增强数据的信息内容

73基本聚类方法概述

731分割聚类

732层次聚类

733谱聚类

734使用自组织映射进行聚类

74K均值聚类

75模糊K均值聚类

76期望最大化算法和高斯混合聚类

761EM算法

762高斯混合模型

77一些有用的数据转换

771数据清洗

772衍生属性

773离散化数值属性

774属性约简技术

78基于熵的属性离散化方法

79用于属性约简的主成分分析

710基于粗糙集的属性约简方法

7101粗糙集基础

7102属性相关性分析

7103属性约简

第8章决策树学习

81引言

82决策树分类的例子

83评估决策树分裂的不纯度度量

831信息增益/熵减少

832增益比

833基尼系数

84 ID3、C45以及CART决策树

85树的剪枝

86决策树方法的优势和劣势

87模糊决策树

第9章商业智能与数据挖掘：技术和应用

91关于分析的简介

911机器学习、数据挖掘和预测分析

912基本分析技术

92CRISPDM(跨行业数据挖掘标准流程)模型

93数据仓库和在线分析处