機器學習

緒　論　機器學習概述 1 第1章　機器學習的構成要素　9 1.1　任務：可通過機器學習解決的問題　9 1.1.1　探尋結構　11 1.1.2　性能評價　13 1.2　模型：機器學習的輸出　14 1.2.1　幾何模型　14 1.2.2　概率模型　17 1.2.3　邏輯模型　22 1.2.4　分組模型與評分模型　26 1.3　特征：機器學習的馬達　26 1.3.1　特征的兩種用法　28 1.3.2　特征的構造與變換　29 1.3.3　特征之間的交互　32 1.4　總結與展望　33 第2章　兩類分類及相關任務　37 2.1　分類　39 2.1.1　分類性能的評價　40 2.1.2　分類性能的可視化　43 2.2　評分與排序　46 2.2.1　排序性能的評價及可視化　48 2.2.2　將排序器轉化為分類器　52 2.3　類概率估計　54 2.3.1　類概率估計量　55 2.3.2　將排序器轉化為概率估計子　57 2.4　小結與延伸閱讀　59 第3章　超越兩類分類　61 3.1　處理多類問題　61 3.1.1　多類分類　61 3.1.2　多類得分及概率　65 3.2　回歸　68 3.3　無監(jiān)督學習及描述性學習　70 3.3.1　預測性聚類與描述性聚類　71 3.2.2　其他描述性模型　74 3.4　小結與延伸閱讀　76 第4章　概念學習　77 4.1　假設空間　78 4.1.1　最小一般性　79 4.1.2　內(nèi)部析取　82 4.2　通過假設空間的路徑　84 4.2.1　最一般相容假設　86 4.2.2　封閉概念　87 4.3　超越合取概念　88 4.4　可學習性　92 4.5　小結與延伸閱讀　94 第5章　樹模型　97 5.1　決策樹　100 5.2　排序與概率估計樹　103 5.3　作為減小方差的樹學習方法　110 5.3.1　回歸樹　110 5.3.2　聚類樹　113 5.4　小結與延伸閱讀　115 第6章　規(guī)則模型　117 6.1　學習有序規(guī)則列表　117 6.2　學習無序規(guī)則集　124 6.2.1　用于排序和概率估計的規(guī)則集　128 6.2.2　深入探究規(guī)則重疊　130 6.3　描述性規(guī)則學習　131 6.3.1　用于子群發(fā)現(xiàn)的規(guī)則學習　131