譯者序
原書前言
第 1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　移除多余的樣例 //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　多于兩個類的域 //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　數值屬性的二元劃分 //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
第 10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
第 11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
第 12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
第 13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法：二元相關法 //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
第 14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均值的高級版 //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　為什么要特征映射 //214
14.8　小結和歷史簡評 //215
14.9　鞏固知識 //216
第 15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　更多高級的搜索算子 //224
15.5　小結和歷史簡評 //225
15.6　鞏固知識 //225
第 16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　為什么能起作用 //231
16.4　過早退化的危險 //233
16.5　其他遺傳算子 //234
16.6　高級版本 //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
第 17章　強化學習 //241
17.1　如何選出最高獎勵的動作 //241
17.2　游戲的狀態和動作 //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