統計學(xué)習理論基礎簡(jiǎn)介，目錄書(shū)摘

內容簡(jiǎn)介:　　全書(shū)共包含18個(gè)章節，從概率密度、貝葉斯決策理論引入樣本學(xué)習的基本概念，進(jìn)而介紹了近鄰域學(xué)習、核學(xué)習及神經(jīng)網(wǎng)絡(luò )學(xué)習，在此基礎上探討了PCA學(xué)習、VC維概念、函數估計問(wèn)題等，后重點(diǎn)介紹了非常實(shí)用的支持向量機SVM及Boosting方法。各章均包含小結、附錄、習題及參考資料，非常適合于大專(zhuān)院校計算機及電氣工程類(lèi)碩博士研究生及高年級學(xué)生作為教學(xué)參考書(shū)。

目錄:譯者序
前言
第1章引言：分類(lèi)、學(xué)習、
特征及應用
1.1范圍
1.2為什么需要機器學(xué)習？
1.3一些應用
1.3.1圖像識別
1.3.2語(yǔ)音識別
1.3.3醫學(xué)診斷
1.3.4統計套利
1.4測量、特征和特征向量
1.5概率的需要
1.6監督學(xué)習
1.7小結
1.8附錄：歸納法
1.9問(wèn)題
1.10參考文獻
第2章概率
2.1一些基本事件的概率
2.2復合事件的概率
2.3條件概率
2.4不放回抽取
2.5一個(gè)經(jīng)典的生日問(wèn)題
2.6隨機變量
2.7期望值
2.8方差
2.9小結
2.10附錄：概率詮釋
2.11問(wèn)題
2.12參考文獻
第3章概率密度
3.1一個(gè)二維實(shí)例
3.2在\[0,1\]區間的隨機數
3.3密度函數
3.4高維空間中的概率密度
3.5聯(lián)合密度和條件密度
3.6期望和方差
3.7大數定律
3.8小結
3.9附錄:可測性
3.10問(wèn)題
3.11參考文獻
第4章模式識別問(wèn)題
4.1一個(gè)簡(jiǎn)單例子
4.2決策規則
4.3成功基準
4.4最佳分類(lèi)器：貝葉斯決策
規則
4.5連續特征和密度
4.6小結
4.7附錄：不可數概念
4.8問(wèn)題
4.9參考文獻
第5章最優(yōu)貝葉斯決策規則
5.1貝葉斯定理
5.2貝葉斯決策規則
5.3最優(yōu)及其評論
5.4一個(gè)例子
5.5基于密度函數的貝葉斯定理
及決策規則
5.6小結
5.7附錄：條件概率的定義
5.8問(wèn)題
5.9參考文獻
第6章從實(shí)例中學(xué)習
6.1概率分布知識的欠缺
6.2訓練數據
6.3對訓練數據的假設
6.4蠻力學(xué)習方法
6.5維數災難、歸納偏置以及
無(wú)免費午餐原理
6.6小結
6.7附錄:學(xué)習的類(lèi)型
6.8問(wèn)題
6.9參考文獻
第7章最近鄰規則
7.1最近鄰規則
7.2最近鄰規則的性能
7.3直覺(jué)判斷與性能證明框架
7.4使用更多鄰域
7.5小結
7.6附錄:當人們使用最近鄰域
進(jìn)行推理時(shí)的一些問(wèn)題
7.6.1誰(shuí)是單身漢?
7.6.2法律推理
7.6.3道德推理
7.7問(wèn)題
7.8參考文獻
第8章核規則
8.1動(dòng)機
8.2最近鄰規則的變體
8.3核規則
8.4核規則的通用一致性
8.5勢函數
8.6更多的通用核
8.7小結
8.8附錄：核、相似性和特征
8.9問(wèn)題
8.10參考文獻
第9章神經(jīng)網(wǎng)絡(luò ):感知器
9.1多層前饋網(wǎng)絡(luò )
9.2神經(jīng)網(wǎng)絡(luò )用于學(xué)習和分類(lèi)
9.3感知器
9.3.1閾值
9.4感知器學(xué)習規則
9.5感知器的表達能力
9.6小結
9.7附錄：思想模型
9.8問(wèn)題
9.9參考文獻
第10章多層神經(jīng)網(wǎng)絡(luò )
10.1多層網(wǎng)絡(luò )的表征能力
10.2學(xué)習及S形輸出
10.3訓練誤差和權值空間
10.4基于梯度下降的誤差最小化
10.5反向傳播
10.6反向傳播方程的推導
10.6.1單神經(jīng)元情況下的推導
10.6.2多層網(wǎng)絡(luò )情況下的推導
10.7小結
10.8附錄:梯度下降與反射平衡
推理
10.9問(wèn)題
10.10參考文獻
第11章可能近似正確（PAC）
學(xué)習
11.1決策規則分類(lèi)
11.2來(lái)自一個(gè)類(lèi)中的最優(yōu)規則
11.3可能近似正確準則
11.4PAC學(xué)習
11.5小結
11.6附錄：識別不可辨元
11.7問(wèn)題
11.8參考文獻
第12章VC維
12.1近似誤差和估計誤差
12.2打散
12.3VC維
12.4學(xué)習結果
12.5舉例
12.6神經(jīng)網(wǎng)絡(luò )應用
12.7小結
12.8附錄:VC維與波普爾
（Popper）維度
12.9問(wèn)題
12.10參考文獻
第13章無(wú)限VC維
13.1類(lèi)層次及修正的PAC準則
13.2失配與復雜性間的平衡
13.3學(xué)習結果
13.4歸納偏置與簡(jiǎn)單性
13.5小結
13.6附錄：均勻收斂與泛
致性
13.7問(wèn)題
13.8參考文獻
第14章函數估計問(wèn)題
14.1估計
14.2成功準則
14.3最優(yōu)估計：回歸函數
14.4函數估計中的學(xué)習
14.5小結
14.6附錄：均值回歸
14.7問(wèn)題
14.8參考文獻
第15章學(xué)習函數估計
15.1函數估計與回歸問(wèn)題回顧
15.2最近鄰規則
15.3核方法
15.4神經(jīng)網(wǎng)絡(luò )學(xué)習
15.5基于確定函數類(lèi)的估計
15.6打散、偽維數與學(xué)習
15.7結論
15.8附錄：估計中的準確度、
精度、偏差及方差
15.9問(wèn)題
15.10參考文獻
第16章簡(jiǎn)明性
16.1科學(xué)中的簡(jiǎn)明性
16.1.1對簡(jiǎn)明性的明確倡導
16.1.2這個(gè)世界簡(jiǎn)單嗎?
16.1.3對簡(jiǎn)明性的錯誤訴求
16.1.4對簡(jiǎn)明性的隱性訴求
16.2排序假設
16.2.1兩種簡(jiǎn)明性排序法
16.3兩個(gè)實(shí)例
16.3.1曲線(xiàn)擬合
16.3.2枚舉歸納
16.4簡(jiǎn)明性即表征簡(jiǎn)明性
16.4.1要確定表征系統嗎?
16.4.2參數越少越簡(jiǎn)單嗎?
16.5簡(jiǎn)明性的實(shí)用理論
16.6簡(jiǎn)明性和全局不確定性
16.7小結
16.8附錄:基礎科學(xué)和統計學(xué)習
理論
16.9問(wèn)題
16.10參考文獻
第17章支持向量機
17.1特征向量的映射
17.2間隔最大化
17.3優(yōu)化與支持向量
17.4實(shí)現及其與核方法的關(guān)聯(lián)
17.5優(yōu)化問(wèn)題的細節
17.5.1改寫(xiě)分離條件
17.5.2間隔方程
17.5.3用于不可分實(shí)例的松弛
變量
17.5.4優(yōu)化問(wèn)題的重構和求解
17.6小結
17.7附錄:計算
17.8問(wèn)題
17.9參考文獻
第18章集成學(xué)習
18.1弱學(xué)習規則
18.2分類(lèi)器組合
18.3訓練樣本的分布
18.4自適應集成學(xué)習算法
（AdaBoost）
18.5訓練數據的性能
18.6泛化性能
18.7小結
18.8附錄：集成方法
18.9問(wèn)題
18.10參考文獻