机器学习导论 PDF 第2版

《机器学习导论（原书第2版）》讨论了机器学习在统计学、模式识别、神经网络、人工智能、信号处理等不同领域的应用，其中涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较以及增强学习。

《机器学习导论（原书第2版）》可供完成计算机程序设计、概率论、微积分和线性代数课程的高年级本科生和研究生使用，也可供对机器学习感兴趣的工程技术人员参考。

近期始终在看Duda 英文版的模式分类，看的很头疼，在图书管遇到了这这书，能够 用于提升信心，觉得这这书的许多层面很Duda的书很类似，乃至许多內容立即就是说引证的Duda的书，內容过度精减，只有益处是将会出书的時间较为晚，提及了许多Duda的书里边沒有的较为最前沿的专业知识。

的确只有当导论用。

这这书內容详细介绍的较为全方位，深度学习的各个领域都进而涉及到，但更是由于全，该书也免不了保证各个领域的深层次详细介绍。置于汉语翻译，本人感觉可以，一些地区不太通畅，绝大多数汉语翻译的算是能够 。书中也是许多有不正确的地区，包含关系式，但用心阅读文章，这种不会后患，应当是著作人笔误罢了。读了的是汉化版其次版，大概找了好多个后边章节目录的不正确，第13章中关系式13-12，在其中β是加法噪音的精密度，应改成epsilon是加法噪音的精密度。随后下边的1个几率p听从正太遍布， p中的也相对改成epsilon. 第18章中16.5.1节链 pi(x)=P(E^+|X)，应改成pi(x)=P(X|E^+). 关系式16.17 P(E^- X)应改成P(E^-|X)。就先强调这好多个不正确吧。别的不正确，也都很容易找到。总的来说，该书做为新手入门还非常好。在其中假如对关系式计算非常关心的同学们，能够 融合李航的统计学习方法看来。李老师书，较为重视关系式计算。有关深度学习定义的表述过少，恰好与该书能够 相辅相成一下下。李老师的书也称得上汉语深度学习的经典书籍之首。

目录

• Introduction to Machine Learning,Second Edition
• 出版者的话
• 中文版序
• 译者序
• 前言
• 致谢
• 关于第2版
• 符号表
• 第1章　绪论1
• 1.1　什么是机器学习1
• 1.2　机器学习的应用实例3
• 1.2.1　学习关联性3
• 1.2.2　分类3
• 1.2.3　回归6
• 1.2.4　非监督学习7
• 1.2.5　增强学习8
• 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15
• 2.3　概率逼近正确学习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25
• 第3章　贝叶斯决策定理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31
• 3.5　效用理论31
• 3.6　关联规则32
• 3.7　注释33
• 3.8　习题33
• 3.9　参考文献34
• 第4章　参数方法35
• 4.1　引言35
• 4.2　最大似然估计35
• 4.2.1　伯努利密度36
• 4.2.2　多项密度36
• 4.2.3　高斯(正态)密度37
• 4.3　评价估计：偏倚和方差37
• 4.4　贝叶斯估计38
• 4.5　参数分类40
• 4.6　回归43
• 4.7　调整模型的复杂度：偏倚/方差两难选择45
• 4.8　模型选择过程47
• 4.9　注释50
• 4.10　习题50
• 4.11　参考文献51
• 第5章　多元方法52
• 5.1　多元数据52
• 5.2　参数估计52
• 5.3　缺失值估计53
• 5.4　多元正态分布54
• 5.5　多元分类56
• 5.6　调整复杂度59
• 5.7　离散特征61
• 5.8　多元回归62
• 5.9　注释63
• 5.10　习题63
• 5.11　参考文献64
• 第6章　维度归约65
• 6.1　引言65
• 6.2　子集选择65
• 6.3　主成分分析67
• 6.4　因子分析71
• 6.5　多维定标75
• 6.6　线性判别分析77
• 6.7　等距特征映射80
• 6.8　局部线性嵌入81
• 6.9　注释83
• 6.10　习题84
• 6.11　参考文献85
• 第7章　聚类86
• 7.1　引言86
• 7.2　混合密度86
• 7.3　k-均值聚类87
• 7.4　期望最大化算法90
• 7.5　潜在变量混合模型93
• 7.6　聚类后的监督学习94
• 7.7　层次聚类95
• 7.8　选择簇个数96
• 7.9　注释96
• 7.10　习题97
• 7.11　参考文献97
• 第8章　非参数方法99
• 8.1　引言99
• 8.2　非参数密度估计99
• 8.2.1　直方图估计100
• 8.2.2　核估计101
• 8.2.3　k最近邻估计102
• 8.3　到多元数据的推广103
• 8.4　非参数分类104
• 8.5　精简的最近邻105
• 8.6　非参数回归：光滑模型106
• 8.6.1　移动均值光滑106
• 8.6.2　核光滑108
• 8.6.3　移动线光滑108
• 8.7　如何选择光滑参数109
• 8.8　注释110
• 8.9　习题111
• 8.10　参考文献112
• 第9章　决策树113
• 9.1　引言113
• 9.2　单变量树114
• 9.2.1　分类树114
• 9.2.2　回归树118
• 9.3　剪枝119
• 9.4　由决策树提取规则120
• 9.5　由数据学习规则121
• 9.6　多变量树124
• 9.7　注释125
• 9.8　习题126
• 9.9　参考文献127
• 第10章　线性判别式129
• 10.1　引言129
• 10.2　推广线性模型130
• 10.3　线性判别式的几何意义131
• 10.3.1　两类问题131
• 10.3.2　多类问题132
• 10.4　逐对分离132
• 10.5　参数判别式的进一步讨论133
• 10.6　梯度下降135
• 10.7　逻辑斯谛判别式135
• 10.7.1　两类问题135
• 10.7.2　多类问题138
• 10.8　回归判别式141
• 10.9　注释142
• 10.10　习题143
• 10.11　参考文献143
• 第11章　多层感知器144
• 11.1　引言144
• 11.1.1　理解人脑144
• 11.1.2　神经网络作为并行处理的典范145
• 11.2　感知器146
• 11.3　训练感知器148
• 11.4　学习布尔函数150
• 11.5　多层感知器151
• 11.6　作为普适近似的MLP153
• 11.7　后向传播算法154
• 11.7.1　非线性回归154
• 11.7.2　两类判别式157
• 11.7.3　多类判别式158
• 11.7.4　多个隐藏层158
• 11.8　训练过程158
• 11.8.1　改善收敛性158
• 11.8.2　过分训练159
• 11.8.3　构造网络161
• 11.8.4　线索162
• 11.9　调整网络规模163
• 11.10　学习的贝叶斯观点164
• 11.11　维度归约165
• 11.12　学习时间167
• 11.12.1　时间延迟神经网络167
• 11.12.2　递归网络168
• 11.13　注释169
• 11.14　习题170
• 11.15　参考文献170
• 第12章　局部模型173
• 12.1　引言173
• 12.2　竞争学习173
• 12.2.1　在线k-均值173
• 12.2.2　自适应共鸣理论176
• 12.2.3　自组织映射177
• 12.3　径向基函数178
• 12.4　结合基于规则的知识182
• 12.5　规范化基函数182
• 12.6　竞争的基函数184
• 12.7　学习向量量化186
• 12.8　混合专家模型186
• 12.8.1　协同专家模型188
• 12.8.2　竞争专家模型188
• 12.9　层次混合专家模型189
• 12.10　注释189
• 12.11　习题190
• 12.12　参考文献190
• 第13章　核机器192
• 13.1　引言192
• 13.2　最佳分离超平面193
• 13.3　不可分情况：软边缘超平面195
• 13.4　v-SVM197
• 13.5　核技巧198
• 13.6　向量核199
• 13.7　定义核200
• 13.8　多核学习201
• 13.9　多类核机器202
• 13.10　用于回归的核机器203
• 13.11　一类核机器206
• 13.12　核维度归约208
• 13.13　注释209
• 13.14　习题209
• 13.15　参考文献210
• 第14章　贝叶斯估计212
• 14.1　引言212
• 14.2　分布参数的估计213
• 14.2.1　离散变量213
• 14.2.2　连续变量215
• 14.3　函数参数的贝叶斯估计216
• 14.3.1　回归216
• 14.3.2　基函数或核函数的使用218
• 14.3.3　贝叶斯分类219
• 14.4　高斯过程221
• 14.5　注释223
• 14.6　习题224
• 14.7　参考文献224
• 第15章　隐马尔可夫模型225
• 15.1　引言225
• 15.2　离散马尔可夫过程225
• 15.3　隐马尔可夫模型227
• 15.4　HMM的三个基本问题229
• 15.5　估值问题229
• 15.6　寻找状态序列231
• 15.7　学习模型参数233
• 15.8　连续观测235
• 15.9　带输入的HMM236
• 15.10　HMM中的模型选择236
• 15.11　注释237
• 15.12　习题238
• 15.13　参考文献239
• 第16章　图方法240
• 16.1　引言240
• 16.2　条件独立的典型情况241
• 16.3　图模型实例245
• 16.3.1　朴素贝叶斯分类245
• 16.3.2　隐马尔可夫模型246
• 16.3.3　线性回归248
• 16.4　d-分离248
• 16.5　信念传播249
• 16.5.1　链249
• 16.5.2　树250
• 16.5.3　多树251
• 16.5.4　结树252
• 16.6　无向图：马尔可夫随机场253
• 16.7　学习图模型的结构254
• 16.8　影响图255
• 16.9　注释255
• 16.10　习题256
• 16.11　参考文献256
• 第17章　组合多学习器258
• 17.1　基本原理258
• 17.2　产生有差异的学习器258
• 17.3　模型组合方案260
• 17.4　投票法261
• 17.5　纠错输出码263
• 17.6　装袋265
• 17.7　提升265
• 17.8　重温混合专家模型267
• 17.9　层叠泛化268
• 17.10　调整系综268
• 17.11　级联269
• 17.12　注释270
• 17.13　习题271
• 17.14　参考文献272
• 第18章　增强学习275
• 18.1　引言275
• 18.2　单状态情况：K臂赌博机问题276
• 18.3　增强学习基础277
• 18.4　基于模型的学习278
• 18.4.1　价值迭代279
• 18.4.2　策略迭代279
• 18.5　时间差分学习280
• 18.5.1　探索策略280
• 18.5.2　确定性奖励和动作280
• 18.5.3　非确定性奖励和动作282
• 18.5.4　资格迹283
• 18.6　推广285
• 18.7　部分可观测状态286
• 18.7.1　场景286
• 18.7.2　例子：老虎问题287
• 18.8　注释290
• 18.9　习题291
• 18.10　参考文献292
• 第19章　机器学习实验的设计与分析294
• 19.1　引言294
• 19.2　因素、响应和实验策略296
• 19.3　响应面设计297
• 19.4　随机化、重复和阻止298
• 19.5　机器学习实验指南298
• 19.6　交叉验证和再抽样方法300
• 19.6.1　K-折交叉验证300
• 19.6.2　5×2交叉验证301
• 19.6.3　自助法302
• 19.7　度量分类器的性能302
• 19.8　区间估计304
• 19.9　假设检验307
• 19.10　评估分类算法的性能308
• 19.10.1　二项检验308
• 19.10.2　近似正态检验309
• 19.10.3　t检验309
• 19.11　比较两个分类算法309
• 19.11.1　McNemar检验310
• 19.11.2　K-折交叉验证配对t检验310
• 19.11.3　5×2交叉验证配对t检验311
• 19.11.4　5×2交叉验证配对F检验311
• 19.12　比较多个算法：方差分析312
• 19.13　在多个数据集上比较315
• 19.13.1　比较两个算法315
• 19.13.2　比较多个算法317
• 19.14　注释317
• 19.15　习题318
• 19.16　参考文献319
• 附录A　概率论320
• 索引328