第I部分　緒　論
第 1章　什么是機器學習 2
1.1　學習的種類　　2
1.2　機器學習任務的例子　　4
1.3　機器學習的方法　　8
第 2章　學習模型 12
2.1　線性模型　　12
2.2　核模型　　15
2.3　層級模型　　17
第II部分　有監督回歸
第3章　**小二乘學習法 22
3.1　**小二乘學習法　　22
3.2　**小二乘解的性質　　25
3.3　大規模數據的學習算法　　27
第4章帶有約束條件的**小二乘法 31
4.1　部分空間約束的**小二乘學習法　　31
4.2　ｌ2 約束的**小二乘學習法　　33
4.3　模型選擇　　37
第5章　稀疏學習 43
5.1　ｌ1 約束的**小二乘學習法　　43
5.2　ｌ1 約束的**小二乘學習的求解方法　　45
5.3　通過稀疏學習進行特征選擇　　50
5.4　ｌp約束的**小二乘學習法　　51
5.5　ｌ1+ｌ2 約束的**小二乘學習法　　52
第6章　魯棒學習 55
6.1　ｌ1 損失**小化學習　　56
6.2　Huber損失**小化學習　　58
6.3　圖基損失**小化學習　　63
6.4　ｌ1 約束的Huber損失**小化學習　　65
第III部分　有監督分類
第7章　基于**小二乘法的分類 70
7.1　**小二乘分類　　70
7.2　0/1 損失和間隔　　73
7.3　多類別的情形　　76
第8章　支持向量機分類 80
8.1　間隔**大化分類　　80
8.2　支持向量機分類器的求解方法　　83
8.3　稀疏性　　86
8.4　使用核映射的非線性模型　　88
8.5　使用Hinge損失**小化學習來解釋　　90
8.6　使用Ramp損失的魯棒學習　　93
第9章　集成分類 98
9.1　剪枝分類　　98
9.2　Bagging學習法　　101
9.3　Boosting 學習法　　105
第 10章　概率分類法 112
10.1　Logistic回歸　　112
10.2　**小二乘概率分類　　116
第 11 章序列數據的分類 121
11.1　序列數據的模型化　　122
11.2　條件隨機場模型的學習　　125
11.3　利用條件隨機場模型對標簽序列進行預測　　128
第IV部分　無監督學習
第 12章　異常檢測 132
12.1　局部異常因子　　132
12.2　支持向量機異常檢測　　135
12.3　基于密度比的異常檢測　　137
第 13章　無監督降維 143
13.1　線性降維的原理　　144
13.2　主成分分析　　146
13.3　局部保持投影　　148
13.4　核函數主成分分析　　152
13.5　拉普拉斯特征映射　　155
第 14章　聚類 158
14.1　K均值聚類　　158
14.2　核K均值聚類　　160
14.3　譜聚類　　161
14.4　調整參數的自動選取　　163
第V部分　新興機器學習算法
第 15章　在線學習 170
15.1　被動攻擊學習　　170
15.2　適應正則化學習　　176
第 16章　半監督學習 181
16.1　靈活應用輸入數據的流形構造　　182
16.2　拉普拉斯正則化**小二乘學習的求解方法　　183
16.3　拉普拉斯正則化的解釋　　186
第 17章　監督降維 188
17.1　與分類問題相對應的判別分析　　188
17.2　充分降維　　195
第 18章　遷移學習 197
18.1　協變量移位下的遷移學習　　197
18.2　類別平衡變化下的遷移學習　　204
第 19章　多任務學習 212
19.1　使用**小二乘回歸的多任務學習　　212
19.2　使用**小二乘概率分類器的多任務學習　　215
19.3　多次維輸出函數的學習　　216
第VI部分　結 語
第 20章　總結與展望 222
參考文獻　　225