图书介绍
机器学习导论 原书第2版pdf电子书版本下载
- （美）米罗斯拉夫·库巴特著 著
- 出版社： 北京：机械工业出版社
- ISBN：9787111605812
- 出版时间：2018
- 标注页数：251页
- 文件大小：34MB
- 文件页数：261页
- 主题词：机器学习－高等学校－教材
PDF下载
下载说明
机器学习导论 原书第2版PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
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
图书目录
第1章 一个简单的机器学习任务 1
1.1 训练集和分类器 1
1.2 题外话：爬山搜索 4
1.3 机器学习中的爬山法 6
1.4 分类器的性能 8
1.5 可用数据的困难 9
1.6 小结和历史简评 11
1.7 巩固知识 11
第2章 概率：贝叶斯分类器 14
2.1 单属性的情况 14
2.2 离散属性值的向量 17
2.3 稀少事件的概率：利用专家的直觉 20
2.4 如何处理连续属性 23
2.5 高斯钟形函数：一个标准的pdf 24
2.6 用高斯函数的集合近似pdf 26
2.7 小结和历史简评 30
2.8 巩固知识 30
第3章 相似性：最近邻分类器 32
3.1 k近邻法则 32
3.2 度量相似性 34
3.3 不相关属性与尺度缩放问题 36
3.4 性能方面的考虑 39
3.5 加权最近邻 41
3.6 移除危险的样例 42
3.7 移除多余的样例 44
3.8 小结和历史简评 46
3.9 巩固知识 46
第4章 类间边界：线性和多项式分类器 49
4.1 本质 49
4.2 加法规则：感知机学习 51
4.3 乘法规则：WINNOW 55
4.4 多于两个类的域 58
4.5 多项式分类器 60
4.6 多项式分类器的特殊方面 62
4.7 数值域和SVM 63
4.8 小结和历史简评 65
4.9 巩固知识 66
第5章 人工神经网络 69
5.1 作为分类器的多层感知机 69
5.2 神经网络的误差 72
5.3 误差的反向传播 73
5.4 多层感知机的特殊方面 77
5.5 结构问题 79
5.6 RBF网络 81
5.7 小结和历史简评 83
5.8 巩固知识 84
第6章 决策树 86
6.1 作为分类器的决策树 86
6.2 决策树的归纳学习 89
6.3 一个属性承载的信息 91
6.4 数值属性的二元划分 94
6.5 剪枝 96
6.6 将决策树转换为规则 99
6.7 小结和历史简评 101
6.8 巩固知识 101
第7章 计算学习理论 104
7.1 PAC学习 104
7.2 PAC可学习性的实例 106
7.3 一些实践和理论结果 108
7.4 VC维与可学习性 110
7.5 小结和历史简评 112
7.6 巩固知识 112
第8章 典型案例 114
8.1 字符识别 114
8.2 溢油检测 117
8.3 睡眠分类 119
8.4 脑机界面 121
8.5 医疗诊断 124
8.6 文本分类 126
8.7 小结和历史简评 127
8.8 巩固知识 128
第9章 投票组合简介 130
9.1 “Bagging”方法 130
9.2 “Schapire's Boosting”方法 132
9.3 “Adaboost”方法：“Boosting”方法的实用版本 134
9.4 “Boosting”方法的变种 138
9.5 该方法的计算优势 139
9.6 小结和历史简评 141
9.7 巩固知识 141
第10章 了解一些实践知识 143
10.1 学习器的偏好 143
10.2 不平衡训练集 145
10.3 语境相关域 148
10.4 未知属性值 150
10.5 属性选择 152
10.6 杂项 154
10.7 小结和历史简评 155
10.8 巩固知识 156
第11章 性能评估 158
11.1 基本性能标准 158
11.2 精度和查全率 160
11.3 测量性能的其他方法 163
11.4 学习曲线和计算开销 166
11.5 实验评估的方法 167
11.6 小结和历史简评 169
11.7 巩固知识 170
第12章 统计显著性 173
12.1 总体抽样 173
12.2 从正态分布中获益 176
12.3 置信区间 178
12.4 一个分类器的统计评价 180
12.5 另外一种统计评价 182
12.6 机器学习技术的比较 182
12.7 小结和历史简评 184
12.8 巩固知识 185
第13章 多标签学习 186
13.1 经典机器学习框架下的多标签问题 186
13.2 单独处理每类数据的方法：二元相关法 188
13.3 分类器链 190
13.4 另一种方法：层叠算法 191
13.5 层次有序类的简介 192
13.6 类聚合 194
13.7 分类器性能的评价标准 196
13.8 小结和历史简评 198
13.9 巩固知识 199
第14章 无监督学习 202
14.1 聚类分析 202
14.2 简单算法：k均值 204
14.3 k均值的高级版 207
14.4 分层聚集 209
14.5 自组织特征映射：简介 211
14.6 一些重要的细节 213
14.7 为什么要特征映射 214
14.8 小结和历史简评 215
14.9 巩固知识 216
第15章 规则集形式的分类器 218
15.1 由规则描述的类别 218
15.2 通过序列覆盖归纳规则集 220
15.3 谓词与循环 222
15.4 更多高级的搜索算子 224
15.5 小结和历史简评 225
15.6 巩固知识 225
第16章 遗传算法 227
16.1 基本遗传算法 227
16.2 个体模块的实现 229
16.3 为什么能起作用 231
16.4 过早退化的危险 233
16.5 其他遗传算子 234
16.6 高级版本 235
16.7 kNN分类器的选择 237
16.8 小结和历史简评 239
16.9 巩固知识 240
第17章 强化学习 241
17.1 如何选出最高奖励的动作 241
17.2 游戏的状态和动作 243
17.3 SARSA方法 245
17.4 小结和历史简评 245
17.5 巩固知识 246
参考文献 247