机器学习导论 原书第3版【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

机器学习导论 原书第3版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 引言1

1.1 什么是机器学习1

1.2 机器学习的应用实例2

1.2.1 学习关联性2

1.2.2 分类3

1.2.3 回归5

1.2.4 非监督学习6

1.2.5 增强学习7

1.3 注释8

1.4 相关资源10

1.5 习题11

1.6 参考文献12

第2章 监督学习13

2.1 由实例学习类13

2.2 VC维16

2.3 概率近似正确学习16

2.4 噪声17

2.5 学习多类18

2.6 回归19

2.7 模型选择与泛化21

2.8 监督机器学习算法的维23

2.9 注释24

2.10 习题25

2.11 参考文献26

第3章 贝叶斯决策理论27

3.1 引言27

3.2 分类28

3.3 损失与风险29

3.4 判别式函数30

3.5 关联规则31

3.6 注释33

3.7 习题33

3.8 参考文献36

第4章 参数方法37

4.1 引言37

4.2 最大似然估计37

4.2.1 伯努利密度38

4.2.2 多项式密度38

4.2.3 高斯（正态）密度39

4.3 评价估计：偏倚和方差39

4.4 贝叶斯估计40

4.5 参数分类42

4.6 回归44

4.7 调整模型的复杂度：偏倚／方差两难选择46

4.8 模型选择过程49

4.9 注释51

4.10 习题51

4.11 参考文献53

第5章 多元方法54

5.1 多元数据54

5.2 参数估计54

5.3 缺失值估计55

5.4 多元正态分布56

5.5 多元分类57

5.6 调整复杂度61

5.7 离散特征62

5.8 多元回归63

5.9 注释64

5.10 习题64

5.11 参考文献66

第6章 维度归约67

6.1 引言67

6.2 子集选择67

6.3 主成分分析70

6.4 特征嵌入74

6.5 因子分析75

6.6 奇异值分解与矩阵分解78

6.7 多维定标79

6.8 线性判别分析82

6.9 典范相关分析85

6.10 等距特征映射86

6.11 局部线性嵌入87

6.12 拉普拉斯特征映射89

6.13 注释90

6.14 习题91

6.15 参考文献92

第7章 聚类94

7.1 引言94

7.2 混合密度94

7.3 k均值聚类95

7.4 期望最大化算法98

7.5 潜在变量混合模型100

7.6 聚类后的监督学习101

7.7 谱聚类102

7.8 层次聚类103

7.9 选择簇个数104

7.10 注释104

7.11 习题105

7.12 参考文献106

第8章 非参数方法107

8.1 引言107

8.2 非参数密度估计108

8.2.1 直方图估计108

8.2.2 核估计109

8.2.3 k最近邻估计110

8.3 推广到多变元数据111

8.4 非参数分类112

8.5 精简的最近邻112

8.6 基于距离的分类113

8.7 离群点检测115

8.8 非参数回归：光滑模型116

8.8.1 移动均值光滑116

8.8.2 核光滑117

8.8.3 移动线光滑119

8.9 如何选择光滑参数119

8.10 注释120

8.11 习题121

8.12 参考文献122

第9章 决策树124

9.1 引言124

9.2 单变量树125

9.2.1 分类树125

9.2.2 回归树128

9.3 剪枝130

9.4 由决策树提取规则131

9.5 由数据学习规则132

9.6 多变量树134

9.7 注释135

9.8 习题137

9.9 参考文献138

第10章 线性判别式139

10.1 引言139

10.2 推广线性模型140

10.3 线性判别式的几何意义140

10.3.1 两类问题140

10.3.2 多类问题141

10.4 逐对分离142

10.5 参数判别式的进一步讨论143

10.6 梯度下降144

10.7 逻辑斯谛判别式145

10.7.1 两类问题145

10.7.2 多类问题147

10.8 回归判别式150

10.9 学习排名151

10.10 注释152

10.11 习题152

10.12 参考文献154

第11章 多层感知器155

11.1 引言155

11.1.1 理解人脑155

11.1.2 神经网络作为并行处理的典范156

11.2 感知器157

11.3 训练感知器159

11.4 学习布尔函数160

11.5 多层感知器161

11.6 作为普适近似的MLP162

11.7 向后传播算法163

11.7.1 非线性回归163

11.7.2 两类判别式166

11.7.3 多类判别式166

11.7.4 多个隐藏层167

11.8 训练过程167

11.8.1 改善收敛性167

11.8.2 过分训练168

11.8.3 构造网络169

11.8.4 线索169

11.9 调整网络规模170

11.10 学习的贝叶斯观点172

11.11 维度归约173

11.12 学习时间174

11.12.1 时间延迟神经网络175

11.12.2 递归网络175

11.13 深度学习176

11.14 注释177

11.15 习题178

11.16 参考文献180

第12章 局部模型182

12.1 引言182

12.2 竞争学习182

12.2.1 在线k均值182

12.2.2 自适应共鸣理论184

12.2.3 自组织映射185

12.3 径向基函数186

12.4 结合基于规则的知识189

12.5 规范化基函数190

12.6 竞争的基函数191

12.7 学习向量量化193

12.8 混合专家模型193

12.8.1 协同专家模型194

12.8.2 竞争专家模型195

12.9 层次混合专家模型195

12.10 注释196

12.11 习题196

12.12 参考文献198

第13章 核机器200

13.1 引言200

13.2 最佳分离超平面201

13.3 不可分情况：软边缘超平面203

13.4 v-SVM205

13.5 核技巧205

13.6 向量核206

13.7 定义核207

13.8 多核学习208

13.9 多类核机器209

13.10 用于回归的核机器210

13.11 用于排名的核机器212

13.12 一类核机器213

13.13 大边缘最近邻分类215

13.14 核维度归约216

13.15 注释217

13.16 习题217

13.17 参考文献218

第14章 图方法221

14.1 引言221

14.2 条件独立的典型情况222

14.3 生成模型226

14.4 d分离227

14.5 信念传播228

14.5.1 链228

14.5.2 树229

14.5.3 多树230

14.5.4 结树232

14.6 无向图：马尔科夫随机场232

14.7 学习图模型的结构234

14.8 影响图234

14.9 注释234

14.10 习题235

14.11 参考文献237

第15章 隐马尔科夫模型238

15.1 引言238

15.2 离散马尔科夫过程238

15.3 隐马尔科夫模型240

15.4 HMM的三个基本问题241

15.5 估值问题241

15.6 寻找状态序列244

15.7 学习模型参数245

15.8 连续观测247

15.9 HMM作为图模型248

15.10 HMM中的模型选择250

15.11 注释251

15.12 习题252

15.13 参考文献254

第16章 贝叶斯估计255

16.1 引言255

16.2 离散分布的参数的贝叶斯估计257

16.2.1 K＞2个状态：狄利克雷分布257

16.2.2 K＝2个状态：贝塔分布258

16.3 高斯分布的参数的贝叶斯估计258

16.3.1 一元情况：未知均值，已知方差258

16.3.2 一元情况：未知均值，未知方差259

16.3.3 多元情况：未知均值，未知协方差260

16.4 函数的参数的贝叶斯估计261

16.4.1 回归261

16.4.2 具有噪声精度先验的回归264

16.4.3 基或核函数的使用265

16.4.4 贝叶斯分类266

16.5 选择先验268

16.6 贝叶斯模型比较268

16.7 混合模型的贝叶斯估计270

16.8 非参数贝叶斯建模272

16.9 高斯过程272

16.10 狄利克雷过程和中国餐馆275

16.11 本征狄利克雷分配276

16.12 贝塔过程和印度自助餐277

16.13 注释278

16.14 习题278

16.15 参考文献279

第17章 组合多学习器280

17.1 基本原理280

17.2 产生有差异的学习器280

17.3 模型组合方案282

17.4 投票法282

17.5 纠错输出码285

17.6 装袋286

17.7 提升287

17.8 重温混合专家模型288

17.9 层叠泛化289

17.10 调整系综290

17.10.1 选择系综的子集290

17.10.2 构建元学习器290

17.11 级联291

17.12 注释292

17.13 习题293

17.14 参考文献294

第18章 增强学习297

18.1 引言297

18.2 单状态情况：K臂赌博机问题298

18.3 增强学习的要素299

18.4 基于模型的学习300

18.4.1 价值迭代300

18.4.2 策略迭代301

18.5 时间差分学习301

18.5.1 探索策略301

18.5.2 确定性奖励和动作302

18.5.3 非确定性奖励和动作303

18.5.4 资格迹304

18.6 推广305

18.7 部分可观测状态306

18.7.1 场景306

18.7.2 例子：老虎问题307

18.8 注释310

18.9 习题311

18.10 参考文献312

第19章 机器学习实验的设计与分析314

19.1 引言314

19.2 因素、响应和实验策略315

19.3 响应面设计317

19.4 随机化、重复和阻止317

19.5 机器学习实验指南318

19.6 交叉验证和再抽样方法320

19.6.1 K折交叉验证320

19.6.2 5×2交叉验证320

19.6.3 自助法321

19.7 度量分类器的性能321

19.8 区间估计324

19.9 假设检验326

19.10 评估分类算法的性能327

19.10.1 二项检验327

19.10.2 近似正态检验328

19.10.3 t检验328

19.11 比较两个分类算法329

19.11.1 McNemar检验329

19.11.2 K折交叉验证配对t检验329

19.11.3 5×2交叉验证配对t检验330

19.11.4 5×2交叉验证配对F检验330

19.12 比较多个算法：方差分析331

19.13 在多个数据集上比较333

19.13.1 比较两个算法334

19.13.2 比较多个算法335

19.14 多元检验336

19.14.1 比较两个算法336

19.14.2 比较多个算法337

19.15 注释338

19.16 习题339

19.17 参考文献340

附录A概率论341

索引348