《机器学习导论》对机器学习的界定和运用案例开展了详细介绍，包含了监督学习。贝叶斯管理决策基础理论。主要参数方式 、多元化方式 、层面归约、聚类分析法、非主要参数方式 、决策树。线形判别式、双层感知器，部分实体模型、隐马尔可夫模型。分类算法评定和较为，组成多学习培训器及其增强学习等。
机器学习的总体目标是对心理学知识，便于应用样版统计数据或过去的工作经验来处理给出的难题。早已有很多机器学习的取得成功运用，包含剖析过去市场销售统计数据来分折顾客个人行为，面部识别或语音识别技术，提升智能机器人个人行为便于应用至少的資源来达到目标，及其从生物信息统计数据中获取专业知识的各种各样系统软件。以便对机器学习难题庭外和解开展一致的阐述，《机器学习导论》探讨了机器学习在生物学、模式识别、神经网络。人工智能技术。信号分析、操纵和大数据挖掘等不一样应用领域。对全部学习培训计算方法都开展了表述，便于用户能够非常容易地将书中的关系式变化为蜘蛛机器人。
《机器学习导论》可做为高等学校计算机相关技术专业低年级本科毕业和硕士研究生的教材内容，也能够科学研究机器学习方式 的专业技术人员参照。
目录
- 第1章 绪论
- 1.1什么是机器学习
- 1.2机器学习的应用实例
- 1.2.1学习关联性
- 1.2.2分类
- 1.2.3回归
- 1.2.4非监督学习
- 1.2.5增强学习
- 1.3注释
- 1.4相关资源
- 1.5习题
- 1.6参考文献
- 第2章 监督学习
- 2.1由实例学习类
- 2.2VC维
- 2.3概率逼近正确学习
- 2.4噪声
- 2.5学习多类
- 2.6回归
- 2.7模型选择与泛化
- 2.8监督机器学习算法的维
- 2.9注释
- 2.10习题
- 2.11参考文献
- 第3章 贝叶斯决策定理
- 3.1引言
- 3.2分类
- 3.3损失与风险
- 3.4判别式函数
- 3.5效用理论
- 3.6信息值
- 3.7贝叶斯网络
- 3.8影响图
- 3.9关联规则
- 3.10注释
- 3.11习题
- 3.12参考文献
- 第4章 参数方法
- 4.1引言
- 4.2最大似然估计
- 4.2.1伯努利密度
- 4.2.2多项密度
- 4.2.3高斯（正态）密度
- 4.3评价估计：偏倚和方差
- 4.4贝叶斯估计
- 4.5参数分类
- 4.6回归
- 4.7调整模型的复杂度：偏倚／方差两难选择
- 4.8模型选择过程
- 4.9注释
- 4.10习题
- 4.11参考文献
- 第5章 多元方法
- 5.1多元数据
- 5.2参数估计
- 5.3缺失值估计
- 5.4多元正态分布
- 5.5多元分类
- ……
- 第6章维度旭纳
- 第7章聚类
- 第8章非参数方法
- 第9章决策树
- 第10章线性判别式
- 第11章多层感知器
- 第12章局部模型
- 第13章隐马尔可夫模型
- 第14章分类算法评估和比较
- 第15章组合多学习器
- 第16章增强学习
