機(jī)器學(xué)習(xí)理論與算法

序
前言
第1章 緒論
1.1 什么是機(jī)器學(xué)習(xí)
1.1.1 信息爆炸
1.1.2 學(xué)習(xí)的定義
1.1.3 機(jī)器學(xué)習(xí)定義
1.2 機(jī)器學(xué)習(xí)的發(fā)展史
1.3 機(jī)器學(xué)習(xí)的發(fā)展現(xiàn)狀
1.4 機(jī)器學(xué)習(xí)的策略與模型
1.4.1 機(jī)器學(xué)習(xí)策略
1.4.2 機(jī)器學(xué)習(xí)系統(tǒng)的基本模型
1.5 機(jī)器學(xué)習(xí)的相關(guān)方法
1.5.1 算法類型
1.5.2 具體方法
1.6 本書的內(nèi)容安排
參考文獻(xiàn)
第2章 統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)算法
2.1 引言
2.2 統(tǒng)計(jì)學(xué)習(xí)理論
2.2.1 統(tǒng)計(jì)學(xué)習(xí)理論的形成與發(fā)展
2.2.2 統(tǒng)計(jì)學(xué)習(xí)理論的主要內(nèi)容
2.2.3 學(xué)習(xí)過程的一致性及收斂速度
2.2.4 函數(shù)集的vC維
2.2.5 結(jié)構(gòu)風(fēng)險最小化歸納原則
2.3 支持向量機(jī)
2.3.1 支持向量機(jī)的形成與發(fā)展
2.3.2 支持向量機(jī)的主要內(nèi)容
2.3.3 基本的支持向量機(jī)算法
2.3.4 變形的支持向量機(jī)算法
2.3.5 優(yōu)化的支持向量機(jī)算法
2.3.6 多分類的支持向量機(jī)算法
2.3.7 支持向量機(jī)聚類算法
2.4 本章小結(jié)
參考文獻(xiàn)
附錄
第3章 構(gòu)造性機(jī)器學(xué)習(xí)理論與覆蓋算法
3.1 引言
3.1.1 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在的問題
3.1.2 構(gòu)造性機(jī)器學(xué)習(xí)方法的提出
3.1.3 構(gòu)造性機(jī)器學(xué)習(xí)覆蓋算法與支持向量機(jī)的區(qū)別
3.2 覆蓋問題的描述及理論基礎(chǔ)
3.2.1 覆蓋問題的描述
3.2.2 覆蓋算法的理論基礎(chǔ)
3.3 覆蓋模型及其算法的分析
3.3.1 領(lǐng)域覆蓋算法
3.3.2 交叉覆蓋算法
3.3.3 覆蓋算法的改進(jìn)措施
3.3.4 多側(cè)面遞進(jìn)算法
3.3.5 核覆蓋算法
3.3.6 概率模型覆蓋算法
3.4 本章小結(jié)
參考文獻(xiàn)
附錄
第4章 集成學(xué)習(xí)與弱可學(xué)習(xí)理論
4.1 引言
4.2 集成學(xué)習(xí)的發(fā)展和現(xiàn)狀
4.3 集成學(xué)習(xí)的產(chǎn)生背景和主要作用
4.4 集成學(xué)習(xí)的主要內(nèi)容
4.4.1 PAC理論
4.4.2 強(qiáng)可學(xué)習(xí)與弱可學(xué)習(xí)理論
4.4.3 集成學(xué)習(xí)的基本概念
4.4.4 集成學(xué)習(xí)的算法框架
4.5 AdaBoost
4.5.1 AdaBoost算法訓(xùn)練誤差的上界
4.5.2 訓(xùn)練輪數(shù)T的確定
4.5.3 基于泛化誤差上界的分析
4.5.4 基于優(yōu)化理論的分析
4.6 AdaBoost-M1
4.7 Ada：Boost-M2
4.8 Bagging
4.9 Stacking
4.10 選擇性集成
4.10.1 選擇性集成的提出
4.10.2 選擇性集成的理論基礎(chǔ)
4.10.3 GASE：N
4.10.4 選擇性集成的發(fā)展
4.11 集成學(xué)習(xí)的應(yīng)用
4.12 本章小結(jié)
參考文獻(xiàn)
附錄
第5章 數(shù)據(jù)流的概念獲取與增量學(xué)習(xí)
5.1 引言
5.2 數(shù)據(jù)流
5.2.1 數(shù)據(jù)流與流形學(xué)習(xí)的概念
5.2.2 數(shù)據(jù)流的性質(zhì)
5.2.3 數(shù)據(jù)流的特征
5.2.4 數(shù)據(jù)流處理模型
5.2.5 數(shù)據(jù)流的基本技術(shù)
5.2.6 數(shù)據(jù)流上的應(yīng)用
5.3 數(shù)據(jù)流分類
5.3.1 數(shù)據(jù)流的分類問題
5.3.2 現(xiàn)有數(shù)據(jù)流上的分類算法
5.4 數(shù)據(jù)流的概念漂移
5.4.1 概念漂移定義
5.4.2 概念漂移類型
5.4.3 概念漂移檢測
5.4.4 概念漂移與數(shù)據(jù)流分類的關(guān)系
5.4.5 概念漂移的處理方法
5.5 增量學(xué)習(xí)
5.5.1 支持向量機(jī)增量學(xué)習(xí)算法
5.5.2 基于覆蓋的增量學(xué)習(xí)
5.6 本章小結(jié)
參考文獻(xiàn)
附錄
第6章 人工神經(jīng)網(wǎng)絡(luò)之遺傳算法
6.1 引言
6.2 遺傳算法的仿生學(xué)基礎(chǔ)
6.2.1 生物遺傳及其變異
6.2.2 進(jìn)化
6.3 遺傳算法簡介
6.3.1 發(fā)展史
6.3.2 遺傳算法
6.4 基本遺傳算法
6.4.1 基本遺傳算法描述
6.4.2 基本遺傳操作
6.4.3 基本遺傳算法的形式化定義
6.4.4 基本遺傳算法的應(yīng)用舉例
6.5 遺傳算法的理論基礎(chǔ)
6.5.1 模式
6.5.2 選擇操作對模式的影響
6.5.3 交叉操作對模式的影響
6.5.4 變異操作對模式的影響
6.6 本章小結(jié)
參考文獻(xiàn)
附錄
第7章 決策樹與貝葉斯網(wǎng)絡(luò)
7.1 決策樹的形成與發(fā)展
7.1.1 決策樹的定義
7.1.2 決策樹的優(yōu)缺點(diǎn)
7.2 決策樹的基本原理：統(tǒng)計(jì)學(xué)角度
7.3 決策樹經(jīng)典算法介紹
7.3.1 ID3算法
7.3.2 C4.5 算法
7.3.3 EC4.5 算法
7.3.4 CART算法
7.3.5 SuQ算法
7.3.6 SPRINT算法
7.3.7 PUBLIC算法
7.4 決策樹的應(yīng)用
7.4.1 決策樹的適用范圍
7.4.2 決策樹的應(yīng)用前景
7.4.3 決策樹的應(yīng)用舉例
7.5 貝葉斯網(wǎng)絡(luò)的形成與發(fā)展
7.5.1 貝葉斯網(wǎng)絡(luò)的發(fā)展歷史
7.5.2 貝葉斯方法的基本觀點(diǎn)
7.5.3 貝葉斯網(wǎng)絡(luò)的特點(diǎn)
7.6 貝葉斯網(wǎng)絡(luò)原理及應(yīng)用
7.6.1 貝葉斯網(wǎng)絡(luò)
7.6.2 貝葉斯網(wǎng)絡(luò)構(gòu)造
7.7 典型貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法及其變形
7.7.1 完整數(shù)據(jù)條件下貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)
7.7.2 完整數(shù)據(jù)條件下貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
7.7.3 不完整數(shù)據(jù)條件下貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)
7.7.4 不完整數(shù)據(jù)條件下貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
7.8 貝葉斯網(wǎng)絡(luò)推理
7.8.1 貝葉斯網(wǎng)絡(luò)精確推理算法
7.8.2 貝葉斯網(wǎng)絡(luò)近似推理算法
7.8.3 貝葉斯網(wǎng)絡(luò)推理算法的比較分析
7.9 貝葉斯網(wǎng)絡(luò)的應(yīng)用
7.9.1 貝葉斯網(wǎng)絡(luò)用于分類和回歸分析
7.9.2 貝葉斯網(wǎng)絡(luò)用于不確定知識表達(dá)和推理
7.9.3 貝葉斯網(wǎng)絡(luò)在因果數(shù)據(jù)挖掘上的應(yīng)用及展望
7.9.4 貝葉斯網(wǎng)絡(luò)用于聚類模式發(fā)現(xiàn)
7.9.5 基于貝葉斯網(wǎng)絡(luò)的遺傳算法
7.9.6 基于貝葉斯網(wǎng)絡(luò)的多目標(biāo)優(yōu)化問題
7.10 本章小結(jié)
參考文獻(xiàn)
附錄