圖解機器學(xué)習(xí)

第I部分　緒　論 第1章　什么是機器學(xué)習(xí) 1．1　學(xué)習(xí)的種類 1．2　機器學(xué)習(xí)任務(wù)的例子 1．3　機器學(xué)習(xí)的方法 第2章　學(xué)習(xí)模型 2．1　線性模型 2．2　核模型 2．3　層級模型 第II部分　有監(jiān)督回歸 第3章　最小二乘學(xué)習(xí)法 3．1　最小二乘學(xué)習(xí)法 3．2　最小二乘解的性質(zhì) 3．3　大規(guī)模數(shù)據(jù)的學(xué)習(xí)算法 第4章帶有約束條件的最小二乘法 4．1　部分空間約束的最小二乘學(xué)習(xí)法 4．2?。? 約束的最小二乘學(xué)習(xí)法 4．3　模型選擇 第5章　稀疏學(xué)習(xí) 5．1?。? 約束的最小二乘學(xué)習(xí)法 5．2?。? 約束的最小二乘學(xué)習(xí)的求解方法 5．3　通過稀疏學(xué)習(xí)進行特征選擇 5．4?。靝約束的最小二乘學(xué)習(xí)法 5．5?。?+ｌ2 約束的最小二乘學(xué)習(xí)法 第6章　魯棒學(xué)習(xí) 6．1?。? 損失最小化學(xué)習(xí) 6．2　Huber損失最小化學(xué)習(xí) 6．3　圖基損失最小化學(xué)習(xí) 6．4　ｌ1 約束的Huber損失最小化學(xué)習(xí) 第III部分　有監(jiān)督分類 第7章　基于最小二乘法的分類 7．1　最小二乘分類 7．2　0/1 損失和間隔 7．3　多類別的情形 第8章　支持向量機分類 8．1　間隔最大化分類 8．2　支持向量機分類器的求解方法 8．3　稀疏性 8．4　使用核映射的非線性模型 8．5　使用Hinge損失最小化學(xué)習(xí)來解釋 8．6　使用Ramp損失的魯棒學(xué)習(xí) 第9章　集成分類 9．1　剪枝分類 9．2　Bagging學(xué)習(xí)法 9．3　Boosting 學(xué)習(xí)法 第10章　概率分類法 10．1　Logistic回歸 10．2　最小二乘概率分類 第11 章序列數(shù)據(jù)的分類 11．1　序列數(shù)據(jù)的模型化 11．2　條件隨機場模型的學(xué)習(xí) 11．3　利用條件隨機場模型對標簽序列進行預(yù)測 第IV部分　監(jiān)督學(xué)習(xí) 第12章　異常檢測 12．1　局部異常因子 12．2　支持向量機異常檢測 12．3　基于密度比的異常檢測 第13章　監(jiān)督降維 13．1　線性降維的原理 13．2　主成分分析 13．3　局部保持投影 13．4　核函數(shù)主成分分析 13．5　拉普拉斯特征映射 第14章　聚類 14．1　K均值聚類 14．2　核K均值聚類 14．3　譜聚類 14．4　調(diào)整參數(shù)的自動選取 第V部分　新興機器學(xué)習(xí)算法 第15章　在線學(xué)習(xí) 15．1　被動攻擊學(xué)習(xí) 15．2　適應(yīng)正則化學(xué)習(xí) 第16章　半監(jiān)督學(xué)習(xí) 16．1　靈活應(yīng)用輸入數(shù)據(jù)的流形構(gòu)造 16．2　拉普拉斯正則化最小二乘學(xué)習(xí)的求解方法 16．3　拉普拉斯正則化的解釋 第17章　監(jiān)督降維 17．1　與分類問題相對應(yīng)的判別分析 17．2　充分降維 第18章　遷移學(xué)習(xí) 18．1　協(xié)變量移位下的遷移學(xué)習(xí) 18．2　類別平衡變化下的遷移學(xué)習(xí) 第19章　多任務(wù)學(xué)習(xí) 19．1　使用最小二乘回歸的多任務(wù)學(xué)習(xí) 19．2　使用最小二乘概率分類器的多任務(wù)學(xué)習(xí) 19．3　多次維輸出函數(shù)的學(xué)習(xí) 第VI部分　結(jié) 語 第20章　總結(jié)與展望 參考文獻