機器學習及其應用

譯者序
前言
致謝
作者簡介

第1章引言
1.1走向智慧型機器
1.2良好的機器學習問題
1.3各種領域的應用實例
1.4資料表示
1.4.1時間序列預測
1.4.2練習資料集和現實問題資料集
1.5機器學習生產應用所需的領域知識
1.6多樣化的數據：結構的/非結構的
1.7學習形式
1.7.1監督/直接學習
1.7.2無監督/間接學習
1.7.3強化學習
1.7.4基於自然過程的學習：進化、群智和免疫系統
1.8機器學習和資料採擷
1.9機器學習技術中的基本線性代數知識
1.10機器學習的相關資源

第2章監督學習：基本原理和基礎知識
2.1從觀察中學習
2.2偏差和方差
2.3為什麼學習是有效的：計算學習理論
2.4奧卡姆剃刀原理和防止過擬合
2.5歸納學習中的啟發式搜索
2.5.1搜索假設空間
2.5.2集成學習
2.5.3學習系統的評估
2.6泛化誤差估計
2.6.1留出法和隨機子採樣
2.6.2交叉驗證
2.6.3自助法
2.7用於評估回歸（數值預測）準確率的度量指標
2.7.1均方誤差
2.7.2平均絕對誤差
2.8用於評估分類（模式識別）準確率的度量指標
2.8.1誤分類的誤差
2.8.2混淆矩陣
2.8.3基於ROC曲線的分類器比較
2.9機器學習中的設計週期和問題概述

第3章統計學習
3.1機器學習和推斷統計分析
3.2學習技術中的描述統計學
3.2.1表示資料的不確定性：概率分佈
3.2.2概率分佈的描述性度量
3.2.3資料樣本的描述性度量
3.2.4正態分佈
3.2.5資料相似性
3.3貝葉斯推理：推理的一種概率方法
3.3.1貝葉斯定理
3.3.2樸素貝葉斯分類器
3.3.3貝葉斯信念網路
3.4k近鄰分類器
3.5判別函數和回歸函數
3.5.1分類和判別函數
3.5.2數值預測和回歸函數
3.5.3實用假設函數
3.6基於最小二乘誤差準則的線性回歸
3.6.1最小化誤差平方和以及偽逆
3.6.2梯度下降優化方案
3.6.3最小均方演算法
3.7用於分類任務的邏輯回歸
3.8費希爾的線性判別和分類的閾值
3.8.1費希爾的線性判別
3.8.2閾值
3.9最小描述長度原則
3.9.1貝葉斯視角
3.9.2熵和信息

第4章學習支持向量機
4.1引言
4.2二元分類的線性判別函數
4.3感知器演算法
4.4用於線性可分離資料的線性最大邊距的分類器
4.5用於重疊類的線性軟邊距分類器
4.6核函數約簡的特徵空間
4.7非線性分類器
4.8支持向量機的回歸器
4.8.1線性回歸器
4.8.2非線性回歸器
4.9將多元分類問題分解為二元分類任務
4.9.1一對所有
4.9.2一對一
4.10基本SVM技術的變體

第5章基於神經網路的學習
5.1走向認知機器
5.2神經元模型
5.2.1生物神經元
5.2.2人工神經元
5.2.3數學模型
5.3網路架構
5.3.1前饋網路
5.3.2迴圈網路
5.4感知器
5.4.1線性分類任務中感知器演算法的局限性
5.4.2使用回歸技術的線性分類器
5.4.3標準梯度下降優化方案：最速下降
5.5線性神經元和WidrowHoff學習規則
5.6誤差修正的delta規則
5.7多層感知器網路和誤差反向傳播演算法
5.7.1廣義的delta規則
5.7.2收斂和局部最小值
5.7.3為梯度下降增加動量項
5.7.4誤差反向傳播演算法的啟發式方面
5.8MLP網路的多元判別
5.9徑向基函數網路
5.10遺傳神經系統

第6章模糊推理系統
6.1引言
6.2認知不確定性和模糊規則庫
6.3知識的模糊量化
6.3.1模糊邏輯
6.3.2模糊集
6.3.3模糊集操作
6.3.4模糊關係
6.4模糊規則庫和近似推理
6.4.1通過模糊關係量化規則
6.4.2輸入的模糊化
6.4.3推理機制
6.4.4推斷模糊集的去模糊化
6.5模糊推理系統的MAMDANI模型
6.5.1移動障礙物中的移動機器人導航
6.5.2抵押貸款評估
6.6TS模糊模型
6.7神經模糊推理系統
6.7.1ANFIS架構
6.7.2ANFIS如何學習
6.8遺傳模糊系統

第7章資料聚類和資料轉換
7.1無監督學習
7.2資料工程
7.2.1探索性資料分析：瞭解資料中的內容
7.2.2聚類分析：查找資料中的相似性
7.2.3資料轉換：增強資料的資訊內容
7.3基本聚類方法概述
7.3.1分割聚類
7.3.2層次聚類
7.3.3譜聚類
7.3.4使用自組織映射進行聚類
7.4K均值聚類
7.5模糊K均值聚類
7.6期望最大化演算法和高斯混合聚類
7.6.1EM演算法
7.6.2高斯混合模型
7.7一些有用的資料轉換
7.7.1數據清洗
7.7.2衍生屬性
7.7.3離散化數值屬性
7.7.4屬性約簡技術
7.8基於熵的屬性離散化方法
7.9用於屬性約簡的主成分分析
7.10基於粗糙集的屬性約簡方法
7.10.1粗糙集基礎
7.10.2屬性相關性分析
7.10.3屬性約簡

第8章決策樹學習
81引言
82決策樹分類的例子
83評估決策樹分裂的不純度度量
831資訊增益/熵減少
832增益比
833基尼係數
84 ID3、C4.5以及CART決策樹
85樹的剪枝
86決策樹方法的優勢和劣勢
87模糊決策樹

第9章商業智慧與資料採擷：技術和應用
91關於分析的簡介
911機器學習、資料採擷和預測分析
912基本分析技術
92CRISPDM(跨行業資料採擷標準流程)模型
93資料倉庫和線上分析處