[0第0]1章 引言
1．1 [0学0]习问题的标准描述
1．2 设计-个[0学0][习*]统
1．2．1 选择训练[纟巠]验
1．2．2 选择目标函数
1．2．3 选择目标函数的表示
1. 2．4 选择函数逼近算[0法0]
1．2．5 [*]终设计
1．3 [1机1]器[0学0]习的一些观点和问题
1．4 如何阅读本书
1．5 小结和补充读物
习题
[0第0]2章 概念[0学0]习和一般到特殊序
2．1 简介
2．2 概念[0学0]习任务
2．2．1 术语定义
2．2．2 归纳[0学0]习[jia]设
2．3 作为搜索的概念[0学0]习
2．4 FIND-S：寻找[0极0][0大0]特殊[jia]设
2．5 变型空间和候选消除算[0法0]
2．5．1 表示
2．5．2 列表后消除算[0法0]
2．5．3 变型空间的更简洁表示
2．5．4 候选消除[0学0]习算[0法0]
2．5．5 算[0法0]的举例
2．6 关于变型空间和候选消除的说明
2．6．1 候选消除算[0法0]是否[0会0]收敛到正确的[jia]设
2．6．2 下一步需要什么样的训练样例
2．6．3 怎样使用不完全[0学0]习概念
2．7 归纳偏置
2．7．1 -个有偏的[jia]设空间
2．7．2 无偏的[0学0]习器
2．7．3 无偏[0学0]习的无用性
2．8 小始和补充读物
习题
[0第0]3章 决策树[0学0]习
3．1 简介
3．2 决策树表示[0法0]
3．3 决策树[0学0]习的适用问题
3．4 基本的决策树[0学0]习算[0法0]
3．4．1 哪个属性是[*]佳的分类属性
3．4．2 举例
3．5 决策树[0学0]习中的[jia]设空间搜索
3．6 决策树[0学0]习的归纳偏置
3．6．1 限定偏置和[0优0]选偏置
3．6．2 为什么短的[jia]设[0优0]先
3．7 决策树[0学0]习的常见问题
3．7．1 避免过度拟合数据
3. 7．2 合并连续值属性
3．7．3 属性选择的其他度量标准
3．7．4 处理缺少属性值的训练样例
3．7．5 处理不同代价的属性
3．8 小结和补充读物
习题
[0第0]4章 人工神[纟巠]网络
4．1 简介
4．2 神[纟巠]网络表示
4．3 适合神[纟巠]网络[0学0]习的问题
4．4 感[0知0]器
4．4．1 感[0知0]器的表征能力
4. 4．2 感[0知0]器训练[0法0]则
4．4．3 梯度下降和delta[0法0]则
4．4．4 小结
4．5 多层网络和反向传播算[0法0]
4．5．1 可微阈值单元
4．5．2 反向传播算[0法0]
4．5．3 反向传播[0法0]则的推导
4．6 反向传播算[0法0]的说明
4．6．1 收敛性和局部[0极0]小值
4．6．2 前馈网络的表征能力
4．6．3 [jia]设空间搜索和归纳偏置
4．6．4 隐藏层表示
4．6．5 泛化、过度拟合和停止判据
4．7 举例：人脸识别
4．7．1 任务
4．7．2 设计要素
4．7．3 [0学0]习到的隐藏层表示
4．8 人工神[纟巠]网络的高级课题
4．8．1 其他可选的误差函数
4．8．2 其他可选的误差[*]小化过程
4．8．3 递归网络
4．8．4 动态修改网络结构
4．9 小结和补充读物
习题
[0第0]5章 [0评0]估[jia]设
5．1 动[1机1]
5．2 估计[jia]设精度
5．2．1 样本错误率和真实错误率
5．2．2 离散值[jia]设的置信区间
5．3 采样理论基础
5．3．1 错误率估计和二项比例估计
5．3．2 二项分布
5．3．3 均值和方差
5．3．4 估计量、偏差和方差
5．3．5 置信区间
5．3．6 [0双0]侧和单侧边界
5．4 推导置信区间的一般方[0法0]
5．5 两个[jia]设错误率间的差异
5．6 [0学0]习算[0法0]比较
5．6. 1 配对t测试
5．6．2 实际考虑
5．7 小结和补充读物
习题
[0第0]6章 贝叶斯[0学0]习
6．1 简介
6．2 贝叶斯[0法0]则
6．3 贝叶斯[0法0]则和概念[0学0]习
6．3．1 BRUTE-FORCE贝叶斯概念[0学0]习
6．3．2 MAP[jia]设和一致[0学0]习器
6．4 [0极0][0大0]似然和[*]小误差平方[jia]设
6．5 用于预测概率的[0极0][0大0]似然[jia]设
6．6 [*]小描述长度准则
6．7 贝叶斯[*][0优0]分类器
6．8 GIBBS算[0法0]
6．9 朴素贝叶斯分类器
6．10 举例：[0学0]习分类文本
6．11 贝叶斯信念网
6．11．1 条[亻牛][0独0]立性
6．11．2 表示
6．11．3 推理
6．11．4 [0学0]习贝叶斯信念网
6．11．5 贝叶斯网的梯度上升训练
6．11．6 [0学0]习贝叶斯网的结构
6．12 EM算[0法0]
6．12．1 估计k个高斯分布的均值
6．12．2 EM算[0法0]的一般表述
6．12．3 k均值算[0法0]的推导
6．13 小结和补充读物
习题
[0第0]7章 计算[0学0]习理论
7．1 简介
7．2 可能[0学0]习近似正确[jia]设
7．2．1 问题框架
7．2．2 [jia]设的错误率
7．2．3 PAC可[0学0]习性
7．3 有限[jia]设空间的样本复杂度
7．3．1 不可[0知0][0学0]习和不一致[jia]设
7．3．2 布尔文字的合取是PAC可[0学0]习的
7．3．3 其他概念类别的PAC可[0学0]习性
7．4 无限[jia]设空间的样本复杂度
7．4．1 打散一个实例集合
7．4．2 Vapnik-Chervonenkis维度
7．4．3 样本复杂度和VC维
7．4．4 神[纟巠]网络的VC维
7．5 [0学0]习的出错界限模型
7．5．1 FIND-S算[0法0]的出错界限
7．5．2 HALVING算[0法0]的出错界限
7．5．3 [*][0优0]出错界限
7．5．4 加[0权0]多数算[0法0]
7．6 小结和补充读物
习题
[0第0]8章 基于实例的[0学0]习
8．1 简介
8．2 k-近邻算[0法0]
8．2．1 距离加[0权0][*]近邻算[0法0]
8．2．2 对k-近邻算[0法0]的说明
8．2．3 术语注解
8．3 局部加[0权0]回归
8．3．1 局部加[0权0]线性回归
8．3．2 局部加[0权0]回归的说明
8．4 径向基函数
8．5 基于案例的推理
8．6 对消[0极0][0学0]习和积[0极0][0学0]习的[0评0]论
8．7 小结和补充读物
习题
[0第0]9章 遗传算[0法0]
9．1 动[1机1]
9．2 遗传算[0法0]
9．2．1 表示[jia]设
9．2．2 遗传算子
9．2．3 适应度函数和[jia]设选择
9．3 举例
9．4 [jia]设空间搜索
9．5 遗传编程
9．5．1 程序表示
9．5．2 举例
9．5．3 遗传编程说明
9．6 进化和[0学0]习模型
9．6．1 拉马克进化
9．6．2 鲍德温效应
9．7 并行遗传算[0法0]
9．8 小结和补充读物
习题
[0第0]10章 [0学0]习规则集合
10．1 简介
10．2 序列覆盖算[0法0]
10．2．1 一般到特殊的柱状搜索
10．2．2 几种变型
10．3 [0学0]习规则集：小结
10．4 [0学0]习一阶规则
10．4．1 一阶Horn子句
10．4．2 术语
10．5 [0学0]习一阶规则集：FOIL
10．5．1 FOIL中的候选特化式的生成
10．5．2 引导FOIL的搜索
10．5．3 [0学0]习递归规则集
10．5．4 FOIL小结
10．6 作为逆演绎的归纳
10．7 逆归纳
10．7．1 一阶归纳
10．7．2 逆归纳：一阶情况
10．7．3 逆归纳小结
10．7．4 泛化、-包容和涵蕴
10．7．5 PROGOL
10．8 小结和补充读物
习题
[0第0]11章 分析[0学0]习
11．1 简介
11．2 用完美的[令页]域理论[0学0]习：PROLOG-EBG
11．3 对基于解释的[0学0]习的说明
11．3．1 发现[亲斤]特征
11．3．2 演绎[0学0]习
11．3．3 基于解释的[0学0]习的归纳偏置
11．3．4 [0知0]识级的[0学0]习
11．4 搜索控制[0知0]识的基于解释的[0学0]习
11．5 小结和补充读物
习题
[0第0]12章 归纳和分析[0学0]习的结合
12．1 动[1机1]
12．2 [0学0]习的归纳-分析途径
12．2．1 [0学0]习问题
12．2．2 [jia]设空间搜索
12．3 使用先验[0知0]识得到初始[jia]设
12．3．1 KBANN算[0法0]
12．3．2 举例
12．3．3 说明
12．4 使用先验[0知0]识改变搜索目标
12．4．1 TANGENTPROP算[0法0]
12．4．2 举例
12．4．3 说明
12．4．4 EBNN算[0法0]
12．4．5 说明
12．5 使用先验[0知0]识来扩展搜索算子
12．5．1 FOCL算[0法0]
12．5．2 说明
12．6 研究现状<... |
