第一章 緒論

1.1 引言(P1)

1.2 基本術語(P2)

1.3 假設空間(P4)

1.4 歸納偏好(P6)

1.5 發展歷程(P10)

1.6 應用現狀(P13)

1.7 閱讀材料(P16)

?

第二章 模型評估與選擇

2.1 經驗誤差與過擬合(P23)

2.2 評估方法(P24)

??2.2.1 留出法

??2.2.2 交叉驗證法

??2.2.3 自助法

2.3 性能度量

??2.3.1 錯誤率與精度(P29)

??2.3.2 查準率、查全率與F1

??2.3.3 ROC與AUC(P33)

??2.3.4 代價敏感錯誤率與代價曲線

2.4 比較檢驗

??2.4.1 假設檢驗(P37)

??2.4.2 交叉驗證t檢驗(P40)

??2.4.3 McNemar檢驗(P41)

??2.4.4 Friedman檢驗與Nemenyi后續檢驗(P42)

2.5偏差與方差(P44)

2.6閱讀材料(P46)

?

第三章 線性模型

3.1 基本形式(P53)

3.2 線性回歸

3.3 對數幾率回歸(P57)

3.4 線性判別分析(P60)

3.5 多分類學習(P63)

3.6 類別不平衡問題(P66)

3.7 閱讀材料(P67)

?

第四章 決策樹

4.1 基本流程(P73)

4.2 劃分選擇(P75)

??4.2.1 信息增益

??4.2.2 增益率(P77)

??4.2.3 基尼指數(P79)

4.3 剪枝處理

??4.3.1 預剪枝(P79)

??4.3.2 后剪枝(P82)

4.4 連續與缺失值

??4.4.1 連續值處理(P83)

??4.4.2 缺失值處理(P85)

4.5 多變量決策樹(P88)

4.6 閱讀材料(P92)

?

第五章 神經網絡

5.1神經元模型(P97)

5.2 感知機與多層網絡(P98)

5.3 誤差逆傳播算法(P101)

5.4 全局最小與局部極小(P106)

5.5 其他常見神經網絡(P108)

??5.5.1 RBF網絡

??5.5.2 ART(網絡)

??5.5.3 SOM網絡(P109)

??5.5.4 級聯相關網絡(P110)

??5.5.5 Elman網絡

??5.5.6 Boltzmann機(P111)

5.6 深度學習(P113)

5.7 閱讀材料(P115)

?

第六章 支持向量機

6.1 間隔與支持向量(P121)

6.2 對偶問題(P123)

6.3 核函數(P126)

6.4 軟間隔與正則化(P129)

6.5 支持向量回歸(P133)

6.6 核方法(P137)

6.7 閱讀材料(P139)

?

第七章 貝葉斯分類器

7.1 貝葉斯決策論(P147)

7.2 極大似然估計(P149)

7.3 樸素貝葉斯分類器(P150)

7.4 半樸素貝葉斯分類器(P154)

7.5 貝葉斯網(P156)

??7.5.1 結構(P157)

??7.5.2 學習(P159)

??7.5.3 推斷(P161)

7.6 EM算法(P162)

7.7 閱讀材料(P164)

?

第八章 集成學習

8.1 個體與集成(P171)

8.2 Boosting(P173)

8.3 Bagging與隨機森林(P178)

??8.3.1 Bagging

??8.3.2 隨機森林(P179)

8.4 結合策略(P181)

??8.4.1 平均法

??8.4.2 投票法(P182)

??8.4.3 學習法

8.5 多樣性

??8.5.1 誤差-分歧分解(P185)

??8.5.2 多樣性度量(P186)

??8.5.3 多樣性增強(P188)

8.6 閱讀材料(P190)

?

第九章 聚類

9.1 聚類任務(P197)

9.2 性能度量

9.3 距離計算(P199)

9.4 原型聚類(P202)

??9.4.1 k均值算法

??9.4.2 學習向量量化(P204)

??9.4.3 高斯混合聚類(P206)

9.5 密度聚類(P211)

9.6 層次聚類(P214)

9.7 閱讀材料(P217)

?

第十章 降維與量度學習

10.1 k近鄰學習(P225)

10.2 低維嵌入(P226)

10.3 主成分分析(P229)

10.4核化線性降維(P232)

10.5 流形學習(P234)

??10.5.1 等度量映射(P234)

??10.5.2 局部線性嵌入(P235)

10.6 度量學習(P237)

?

第十一章 特征選擇與稀疏學習

11.1 子集搜索與評價(P257)

11.2 過濾式選擇(P249)

11.3 包裹式選擇(P250)

11.4 嵌入式選擇與L1正則化(P252)

11.5 稀疏表示與字典學習(P254)

11.6 壓縮預知(P257)

11.7 閱讀材料(P260)

?

第十二章 計算學習理論

12.1 基礎知識(P267)

12.2 PAC學習(P268)

12.3 有限假設空間

??12.3.1 可分情形(P270)

??12.3.2 不可分情形(P272)

12.4 VC維(P273)

12.5 Rademacher復雜度(P279)

12.6 穩定性(P284)

12.7 閱讀材料(P287)

?

第十三章 半監督學習

13.1 未標記樣本(P293)

13.2 生成式方法(P295)

13.3 半監督SVM(P298)

13.4 圖半監督學習(P300)

13.5 基于分歧的方法(P304)

13.6 半監督聚類(P307)

13.7 閱讀材料(P311)

?

第十四章 概率圖模型

14.1 隱馬爾可夫模型(P320)

14.2 馬爾可夫隨機場(P322)

14.3 條件隨機場(P325)

14.4 學習與推斷

??14.4.1 變量消去(P328)

??14.4.2 信念傳播(P330)

14.5 近似推斷

??14.5.1 MCMC采樣(P331)

??14.5.2 變分推斷(P334)

14.6 話題模型(P337)

14.7 閱讀材料(P339)

?

第十五章 規則學習

15.1 基本概念(P347)

15.2 序貫覆蓋(P349)

15.3 剪枝優化(P352)

15.4 一階規則學習(P354)

15.5 歸納邏輯程序設計(P357)

??15.5.1 最小一般泛化(P358)

??15.5.2 逆歸結(P359)

15.6 閱讀材料(P363)

?

第十六章 強化學習

16.1 任務與獎賞(P372)

16.2 K-搖臂賭博機

??16.2.1 探索與利用(P373)

??16.2.2 ε-貪心(P374)

??16.2.3 Softmax(P375)

16.3 有模型學習

??16.3.1 策略評估(P377)

??16.3.2 策略改進(P379)

??16.3.3 策略迭代與值迭代(P381)

16.4 免模型學習(P382)

??16.4.1 蒙特卡羅強化學習(P383)

??16.4.2 時序差分學習(P386)

16.5 值函數近似(P388)

16.6 模仿學習(P390)

??16.6.1 逆強化學習(P391)

16.7 閱讀材料(P393)

?

附錄

A 矩陣

??A.1 基本演算(P399)

??A.2 導數(P400)

??A.3 奇異值分解(P402)

B 優化

??B.1 拉格朗日乘子法(P403)

??B.2 二次規劃(P406)

??B.3 半正定規則(P407)

??B.4 梯度下降法

C 概率分布

??C.1 常見概率分布(P409)

????C.1.1 均勻分布

????C.1.2 伯努利分布

????C.1.3 二項分布

????C.1.4 多項分布

????C.1.5 貝塔分布(P411)

????C.1.6 狄利克雷分布

????C.1.7 高斯分布

??C.2 共軛分布(P413)

??C.3 KL散度(P414)

總結

以上是生活随笔為你收集整理的机器学习西瓜书各章详细目录定位的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。