機器學(xué)習導論（原書(shū)第2版）簡(jiǎn)介，目錄書(shū)摘

通過(guò)提供實(shí)用的建議、采用直觀(guān)的例子和對相關(guān)應用進(jìn)行有意義的探討，本書(shū)以一種易于理解的方式介紹了機器學(xué)習的一些基礎性概念。主要內容包括貝葉斯分類(lèi)器、近鄰分類(lèi)器、線(xiàn)性與多項式分類(lèi)器、決策樹(shù)、神經(jīng)網(wǎng)絡(luò )和支持向量機。本書(shū)后面幾章展示了如何以“提升（Boosting）”的方式將這些簡(jiǎn)單的工具組織起來(lái)、怎樣將它們應用于更加復雜的領(lǐng)域以及如何處理各種高難度的實(shí)際問(wèn)題。有一章還專(zhuān)門(mén)介紹了非常流行的遺傳算法。

《機器學(xué)習導論》是一本淺顯易懂的機器學(xué)習入門(mén)教材，它以理論與實(shí)際相結合的方式全面地涵蓋了主流的機器學(xué)習理論與技術(shù)。全書(shū)共17章，介紹了貝葉斯分類(lèi)器、近鄰分類(lèi)器、線(xiàn)性與多項式分類(lèi)器、人工神經(jīng)網(wǎng)絡(luò )、決策樹(shù)、基于規則集的分類(lèi)器、遺傳算法等經(jīng)典的機器學(xué)習方法，對計算學(xué)習理論、性能評估、統計顯著(zhù)性等進(jìn)行了討論。講解了集成學(xué)習、多標簽學(xué)習、無(wú)監督學(xué)習和強化學(xué)習等重要的機器學(xué)習領(lǐng)域。本書(shū)還通過(guò)大量的應用實(shí)例，闡述了機器學(xué)習技術(shù)的許多應用技巧。每章結尾對相關(guān)機器學(xué)習工作都進(jìn)行了歷史簡(jiǎn)評，并附有練習、思考題和上機實(shí)驗。

Miroslav Kubat 美國邁阿密大學(xué)教授，從事機器學(xué)習教學(xué)和研究超過(guò)25年。他已發(fā)表100余篇經(jīng)過(guò)同行評審的論文，與人合編了兩本著(zhù)作，是近60個(gè)會(huì )議和研討會(huì )的委員會(huì )委員，并擔任3本學(xué)術(shù)刊物的編委。他在兩個(gè)方面的前沿研究上得到了廣泛贊譽(yù)：時(shí)變概念的歸納學(xué)習和在非平衡訓練集上的學(xué)習。此外，在多標簽樣例上的歸納學(xué)習、層次組織的類(lèi)別上的歸納學(xué)習、遺傳算法、神經(jīng)網(wǎng)絡(luò )的初始化等問(wèn)題上，他也做出了很多貢獻。

王勇，西安交通大學(xué)博士，中國海洋大學(xué)信息學(xué)院計算機系副教授，碩士生導師，軟件工程教研室主任，海大惠普軟件實(shí)驗室主任，中國計算機學(xué)會(huì )會(huì )員、IEEE會(huì )員。主要從事軟件工程、軟件過(guò)程度量與管理、大數據、統計分析、機器學(xué)習與數據挖掘等領(lǐng)域的研究。2011-2012年間在美國南佛羅里達大學(xué)做訪(fǎng)問(wèn)學(xué)者。近年來(lái)主持或參與包括國家自然科學(xué)基金在內的研究課題多項，在包括IEEE Transactions、計算機學(xué)報等在內的期刊和會(huì )議發(fā)表論文多篇。擔任美國Taylor & Francis出版集團 《Encyclopediaof Software Engineering》審稿人，Journal of Internet Technology、British Journal of Applied Science & Technology、《電子學(xué)報》審稿人。有十余年行業(yè)軟件開(kāi)發(fā)經(jīng)驗。

譯者序
原書(shū)前言
第 1章　一個(gè)簡(jiǎn)單的機器學(xué)習任務(wù) //1
1.1　訓練集和分類(lèi)器 //1
1.2　題外話(huà)：爬山搜索 //4
1.3　機器學(xué)習中的爬山法 //6
1.4　分類(lèi)器的性能 //8
1.5　可用數據的困難 //9
1.6　小結和歷史簡(jiǎn)評 //11
1.7　鞏固知識 //11
第 2章　概率：貝葉斯分類(lèi)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(zhuān)家的直覺(jué) //20
2.4　如何處理連續屬性 //23
2.5　高斯鐘形函數：一個(gè)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(jiǎn)評 //30
2.8　鞏固知識 //30
第 3章　相似性：最近鄰分類(lèi)器 //32
3.1　k近鄰法則 //32
3.2　度量相似性 //34
3.3　不相關(guān)屬性與尺度縮放問(wèn)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(jiǎn)評 //46
3.9　鞏固知識 //46
第 4章　類(lèi)間邊界：線(xiàn)性和多項式分類(lèi)器 //49
4.1　本質(zhì) //49
4.2　加法規則：感知機學(xué)習 //51
4.3　乘法規則： WINNOW //55
4.4　多于兩個(gè)類(lèi)的域 //58
4.5　多項式分類(lèi)器 //60
4.6　多項式分類(lèi)器的特殊方面 //62
4.7　數值域和 SVM //63
4.8　小結和歷史簡(jiǎn)評 //65
4.9　鞏固知識 //66
第 5章　人工神經(jīng)網(wǎng)絡(luò ) //69
5.1　作為分類(lèi)器的多層感知機 //69
5.2　神經(jīng)網(wǎng)絡(luò )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(wèn)題 //79
5.6　RBF網(wǎng)絡(luò ) //81
5.7　小結和歷史簡(jiǎn)評 //83
5.8　鞏固知識 //84
第 6章　決策樹(shù) //86
6.1　作為分類(lèi)器的決策樹(shù) //86
6.2　決策樹(shù)的歸納學(xué)習 //89
6.3　一個(gè)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(shù)轉換為規則 //99
6.7　小結和歷史簡(jiǎn)評 //101
6.8　鞏固知識 //101
第 7章　計算學(xué)習理論 //104
7.1　PAC學(xué)習 //104
7.2　PAC可學(xué)習性的實(shí)例 //106
7.3　一些實(shí)踐和理論結果 //108
7.4　VC維與可學(xué)習性 //110
7.5　小結和歷史簡(jiǎn)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(lèi) //119
8.4　腦機界面 //121
8.5　醫療診斷 //124
8.6　文本分類(lèi) //126
8.7　小結和歷史簡(jiǎn)評 //127
8.8　鞏固知識 //128
第 9章　投票組合簡(jiǎn)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(shí)用版本 //134
9.4　“Boosting”方法的變種 //138
9.5　該方法的計算優(yōu)勢 //139
9.6　小結和歷史簡(jiǎn)評 //141
9.7　鞏固知識 //141
第 10章　了解一些實(shí)踐知識 //143
10.1　學(xué)習器的偏好 //143
10.2　不平衡訓練集 //145
10.3　語(yǔ)境相關(guān)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(jiǎn)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(xué)習曲線(xiàn)和計算開(kāi)銷(xiāo) //166
11.5　實(shí)驗評估的方法 //167
11.6　小結和歷史簡(jiǎn)評 //169
11.7　鞏固知識 //170
第 12章　統計顯著(zhù)性 //173
12.1　總體抽樣 //173
12.2　從正態(tài)分布中獲益 //176
12.3　置信區間 //178
12.4　一個(gè)分類(lèi)器的統計評價(jià) //180
12.5　另外一種統計評價(jià) //182
12.6　機器學(xué)習技術(shù)的比較 //182
12.7　小結和歷史簡(jiǎn)評 //184
12.8　鞏固知識 //185
第 13章　多標簽學(xué)習 //186
13.1　經(jīng)典機器學(xué)習框架下的多標簽
問(wèn)題 //186
13.2　單獨處理每類(lèi)數據的方法：二元相關(guān)法 //188
13.3　分類(lèi)器鏈 //190
13.4　另一種方法：層疊算法 //191
13.5　層次有序類(lèi)的簡(jiǎn)介 //192
13.6　類(lèi)聚合 //194
13.7　分類(lèi)器性能的評價(jià)標準 //196
13.8　小結和歷史簡(jiǎn)評 //198
13.9　鞏固知識 //199
第 14章　無(wú)監督學(xué)習 //202
14.1　聚類(lèi)分析 //202
14.2　簡(jiǎn)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(jiǎn)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(jiǎn)評 //215
14.9　鞏固知識 //216
第 15章　規則集形式的分類(lèi)器 //218
15.1　由規則描述的類(lèi)別 //218
15.2　通過(guò)序列覆蓋歸納規則集 //220
15.3　謂詞與循環(huán) //222
15.4　更多高級的搜索算子 //224
15.5　小結和歷史簡(jiǎn)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(gè)體模塊的實(shí)現 //229
16.3　為什么能起作用 //231
16.4　過(guò)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(lèi)器的選擇 //237
16.8　小結和歷史簡(jiǎn)評 //239
16.9　鞏固知識 //240
第 17章　強化學(xué)習 //241
17.1　如何選出最高獎勵的動(dòng)作 //241
17.2　游戲的狀態(tài)和動(dòng)作 //243
17.3　SARSA方法 //245
17.4　小結和歷史簡(jiǎn)評 //245
17.5　鞏固知識 //246
參考文獻 //247