《機器學習方法》一書比較全面系統地介紹了機器學習的方法和技術，不僅詳細闡述了許多經典的學習方法，還討論了一些有生命力的新理論、新方法。全書共分為13章，分別介紹了機器學習的基本概念、最近鄰規則、貝葉斯學習、決策樹、基於事例推理的學習、關聯規則學習、神經網路、支持向量機、遺傳算法、集成學習、糾錯輸出編碼、聚類分析、強化學習。各章對原理的敘述力求概念清晰、表達準確，突出理論聯繫實際，富有啟發性，易於理解。
基本介紹
- 書名：機器學習方法
- 原版名稱：研究生教育書系
- ISBN：9787121090059
- 頁數：282頁
- 出版社：電子工業出版社
- 出版時間：第1版 (2009年8月1日)
- 裝幀：平裝
- 開本：16
- 正文語種：簡體中文
書籍作用,目錄,
書籍作用
《機器學習方法》可作為高等院校計算機、自動化、電子和通信等專業研究生和高年級本科生的教材和參考書。《機器學習方法》內容對從事人工智慧、機器學習、數據挖掘、模式識別等相關領域研究的科技人員具有較好的參考價值。
目錄
第1章 緒論
1.1 機器學習概念
1.2 機器學習系統
1.2.1 學習系統模型
1.2.2 機器學習系統結構
1.3 機器學習方法分類
1.3.1 監督學習
1.3.2 非監督學習
1.3.3 強化學習
1.4 一般性定理與規則
1.4.1 大多數原則
1.4.2 奧卡姆剃刀原理
1.4.3 無免費午餐定理
1.5 學習算法的評價
1.5.1 最短描述長度
1.5.2 預測精度分析
1.5.3 交叉驗證法
1.6 本書各章概要
第2章 最近鄰規則
2.1 最近鄰分類
2.1.1 k-NN規則的思想
2.1.2 k-NN的距離度量
2.1.3 k-NN算法套用示例
2.2 k-NN算法的缺陷及其改進
2.2.1 k-NN算法的計算複雜度
2.2.2 降維法
2.2.3 預建結構法
2.2.4 訓練集裁減法
第3章 貝葉斯學習
3.1 機率論基礎
3.1.1 隨機事件
3.1.2 事件間的關係與運算
3.1.3 機率的定義與性質
3.1.4 統計機率
3.1.5 條件機率
3.1.6 機率密度
3.1.7 常態分配
3.2 貝葉斯定理
3.3 貝葉斯定理和概念學習
3.4 極大似然和最小誤差平方假設
3.5 貝葉斯最優分類器
3.6 簡單貝葉斯分類器
3.7 貝葉斯網路
3.7.1 貝葉斯網路基本概念
3.7.2 因果關係網
3.7.3 貝葉斯網路
3.7.4 聯合機率
3.7.5 D分離
3.7.6 貝葉斯網路的推理模式
3.8 主觀貝葉斯方法
3.8.1 規則的不確定性
3.8.2 證據的不確定性
3.8.3 推理計算
3.9 貝葉斯學習的優缺點
第4章 決策樹
4.1 決策樹的創建
4.1.1 分而治之的思想
4.1.2 決策樹生成算法
4.2 分枝劃分標準
4.2.1 測試條件
4.2.2 直接劃分法
4.2.3 信息熵增益
4.2.4 增益比
4.2.5 Gini係數
4.2.6 最短距離劃分
4.2.7 最短描述長度
4.3 連續屬性離散化
……
第5章 基於事例推理的學習
第6章 關聯規則學習
第7章 神經網路
第8章 支持向量機
第9章 遺傳算法
第10章 集成學習
第11章 基於糾錯編碼的機器學習
第12章 聚類分析
第13章 強化學習
附錄A 數據集描述
參考文獻
