机器学习:从公理到算法(中国计算机学会学术著作丛书)

封面 1 扉页 2 内容简介 3 版权页 3 自序 4 前言 6 目录 8 第1章 引言 14 1.1 机器学习的目的:从数据到知识 14 1.2 机器学习的基本框架 15 1.3 机器学习思想简论 18 延伸阅读 20 习题 21 参考文献 22 第2章 归类理论 24 2.1 类表示公理 26 2.2 归类公理 30 2.3 归类结果分类 33 2.4 归类方法设计准则 35 讨论 40 延伸阅读 42 习题 43 参考文献 44 第3章 密度估计 46 3.1 密度估计的参数方法 46 3.2 密度估计的非参数方法 52 延伸阅读 53 习题 54 参考文献 54 第4章 回归 56 4.1 线性回归 56 4.2 岭回归 60 4.3 Lasso回归 61 讨论 64 习题 65 参考文献 65 第5章 单类数据降维 66 5.1 主成分分析 67 5.2 非负矩阵分解 69 5.3 字典学习与稀疏表示 70 5.4 局部线性嵌入 72 5.5 典型关联分析 75 5.6 多维度尺度分析与等距映射 76 讨论 78 习题 79 参考文献 79 第6章 聚类理论 82 6.1 聚类问题表示及相关定义 82 6.2 聚类算法设计准则 83 6.3 聚类有效性 86 延伸阅读 89 习题 90 参考文献 90 第7章 聚类算法 94 7.1 样例理论:层次聚类算法 94 7.2 原型理论:点原型聚类算法 96 7.3 基于密度估计的聚类算法 101 延伸阅读 119 习题 120 参考文献 121 第8章 分类理论 124 8.1 分类及相关定义 124 8.2 从归类理论到经典分类理论 125 8.3 分类测试公理 131 讨论 132 习题 132 参考文献 133 第9章 基于单类的分类算法:神经网络 134 9.1 分类问题的回归表示 134 9.2 人工神经网络 135 9.3 从参数密度估计到受限玻耳兹曼机 142 9.4 深度学习 144 讨论 146 习题 147 参考文献 147 第10章 K近邻分类模型 150 10.1 K近邻算法 151 10.2 距离加权最近邻算法 154 10.3 K近邻算法加速策略 155 10.4 kd树 156 10.5 K近邻算法中的参数问题 157 延伸阅读 158 习题 158 参考文献 158 第11章 线性分类模型 160 11.1 判别函数和判别模型 160 11.2 线性判别函数 161 11.3 线性感知机算法 164 11.4 支持向量机 169 讨论 177 习题 178 参考文献 179 第12章 对数线性分类模型 180 12.1 Softmax回归 180 12.2 Logistic回归 183 讨论 185 习题 186 参考文献 186 第13章 贝叶斯决策 188 13.1 贝叶斯分类器 188 13.2 朴素贝叶斯分类 189 13.3 最小化风险分类 196 13.4 效用最大化分类 198 讨论 198 习题 199 参考文献 199 第14章 决策树 200 14.1 决策树的类表示 200 14.2 信息增益与ID3算法 205 14.3 增益比率与C4.5算法 207 14.4 Gini指数与CART算法 208 14.5 决策树的剪枝 209 讨论 210 习题 210 参考文献 211 第15章 多类数据降维 212 15.1 有监督特征选择模型 212 15.2 有监督特征提取模型 215 延伸阅读 220 习题 220 参考文献 220 第16章 多类数据升维:核方法 222 16.1 核方法 222 16.2 非线性支持向量机 223 16.3 多核方法 226 讨论 228 习题 228 参考文献 229 第17章 多源数据学习 230 17.1 多源数据学习的分类 230 17.2 单类多源数据学习 230 17.3 多类多源数据学习 234 17.4 多源数据学习中的基本假设 235 讨论 235 习题 236 参考文献 236 正文结束 236 后记 238 索引 242