机器学习及其应用

　　本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。

　　：作者简介： M 戈帕尔（M Gopal） 机器学习领域的知名学者，曾任印度理工学院教授，拥有40余年的教学及研究经验，感兴趣的方向为机器学习、模式识别和智能控制。他的教材和视频课程在全球范围内广为采用，是YouTube上颇受欢迎的课程之一，学生数以百万计。：译者简介：黄智濒 计算机系统结构博士，北京邮电大学计算机学院讲师。长期从事机器学习、超大规模并行计算、GPU加速计算以及三维计算机视觉和深度学习架构方面的研究。杨武兵 博士，中国航天空气动力技术研究院研究员，长期从事计算空气动力学、流动稳定性和湍流等方面的研究。其团队长期致力于用深度神经网络和各类机器学习方法，研究基于大涡模拟和直接数值模拟的流场流动结构的智能识别技术，推进人工智能在空气动力学领域的应用。

译者序
前言
致谢
作者简介
第1章引言
11走向智能机器
12良好的机器学习问题
13各种领域的应用实例
14数据表示
141时间序列预测
142练习数据集和现实问题数据集
15机器学习生产应用所需的领域知识
16多样化的数据：结构的/非结构的
17学习形式
171监督/直接学习
172无监督/间接学习
173强化学习
174基于自然过程的学习：进化、群智和免疫系统
18机器学习和数据挖掘
19机器学习技术中的基本线性代数知识
110机器学习的相关资源
第2章监督学习：基本原理和基础知识
21从观察中学习
22偏差和方差
23为什么学习是有效的：计算学习理论
24奥卡姆剃刀原理和防止过拟合
25归纳学习中的启发式搜索
251搜索假设空间
252集成学习
253学习系统的评估
26泛化误差估计
261留出法和随机子采样
262交叉验证
263自助法
27用于评估回归（数值预测）准确率的度量指标
271均方误差
272平均绝对误差
28用于评估分类（模式识别）准确率的度量指标
281误分类的误差
282混淆矩阵
283基于ROC曲线的分类器比较
29机器学习中的设计周期和问题概述
第3章统计学习
31机器学习和推断统计分析
32学习技术中的描述统计学
321表示数据的不确定性：概率分布
322概率分布的描述性度量
323数据样本的描述性度量
324正态分布
325数据相似性
33贝叶斯推理：推理的一种概率方法
331贝叶斯定理
332朴素贝叶斯分类器
333贝叶斯信念网络
34k近邻分类器
35判别函数和回归函数
351分类和判别函数
352数值预测和回归函数
353实用假设函数
36基于最小二乘误差准则的线性回归
361最小化误差平方和以及伪逆
362梯度下降优化方案
363最小均方算法
37用于分类任务的逻辑回归
38费希尔的线性判别和分类的阈值
381费希尔的线性判别
382阈值
39最小描述长度原则
391贝叶斯视角
392熵和信息
第4章学习支持向量机
41引言
42二元分类的线性判别函数
43感知器算法
44用于线性可分离数据的线性最大边距的分类器
45用于重叠类的线性软边距分类器
46核函数约简的特征空间
47非线性分类器
48支持向量机的回归器
481线性回归器
482非线性回归器
49将多元分类问题分解为二元分类任务
491一对所有
492一对一
410基本SVM技术的变体
第5章基于神经网络的学习
51走向认知机器
52神经元模型
521生物神经元
522人工神经元
523数学模型
53网络架构
531前馈网络
532循环网络
54感知器
541线性分类任务中感知器算法的局限性
542使用回归技术的线性分类器
543标准梯度下降优化方案：最速下降
55线性神经元和WidrowHoff学习规则
56误差修正的delta规则
57多层感知器网络和误差反向传播算法
571广义的delta规则
572收敛和局部最小值
573为梯度下降增加动量项
574误差反向传播算法的启发式方面
58MLP网络的多元判别
59径向基函数网络
510遗传神经系统
第6章模糊推理系统
61引言
62认知不确定性和模糊规则库
63知识的模糊量化
631模糊逻辑
632模糊集
633模糊集操作
634模糊关系
64模糊规则库和近似推理
641通过模糊关系量化规则
642输入的模糊化
643推理机制
644推断模糊集的去模糊化
65模糊推理系统的MAMDANI模型
651移动障碍物中的移动机器人导航
652抵押贷款评估
66TS模糊模型
67神经模糊推理系统
671ANFIS架构
672ANFIS如何学习
68遗传模糊系统
第7章数据聚类和数据转换
71无监督学习
72数据工程
721探索性数据分析：了解数据中的内容
722聚类分析：查找数据中的相似性
723数据转换：增强数据的信息内容
73基本聚类方法概述
731分割聚类
732层次聚类
733谱聚类
734使用自组织映射进行聚类
74K均值聚类
75模糊K均值聚类
76期望最大化算法和高斯混合聚类
761EM算法
762高斯混合模型
77一些有用的数据转换
771数据清洗
772衍生属性
773离散化数值属性
774属性约简技术
78基于熵的属性离散化方法
79用于属性约简的主成分分析
710基于粗糙集的属性约简方法
7101粗糙集基础
7102属性相关性分析
7103属性约简
第8章决策树学习
81引言
82决策树分类的例子
83评估决策树分裂的不纯度度量
831信息增益/熵减少
832增益比
833基尼系数
84 ID3、C45以及CART决策树
85树的剪枝
86决策树方法的优势和劣势
87模糊决策树
第9章商业智能与数据挖掘：技术和应用
91关于分析的简介
911机器学习、数据挖掘和预测分析
912基本分析技术
92CRISPDM(跨行业数据挖掘标准流程)模型
93数据仓库和在线分析处