圖解機器學習

第I部分　緒　論 第1章　什么是機器學習 1．1　學習的種類 1．2　機器學習任務的例子 1．3　機器學習的方法 第2章　學習模型 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　最小二乘學習法 3．1　最小二乘學習法 3．2　最小二乘解的性質(zhì) 3．3　大規(guī)模數(shù)據(jù)的學習算法 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習法 4．2?。? 約束的最小二乘學習法 4．3　模型選擇 第5章　稀疏學習 5．1?。? 約束的最小二乘學習法 5．2　ｌ1 約束的最小二乘學習的求解方法 5．3　通過稀疏學習進行特征選擇 5．4?。靝約束的最小二乘學習法 5．5　ｌ1+ｌ2 約束的最小二乘學習法 第6章　魯棒學習 6．1?。? 損失最小化學習 6．2　Huber損失最小化學習 6．3　圖基損失最小化學習 6．4?。? 約束的Huber損失最小化學習 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損失最小化學習來解釋 8．6　使用Ramp損失的魯棒學習 第9章　集成分類 9．1　剪枝分類 9．2　Bagging學習法 9．3　Boosting 學習法 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習 11．3　利用條件隨機場模型對標簽序列進行預測 第IV部分　監(jiān)督學習 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　新興機器學習算法 第15章　在線學習 15．1　被動攻擊學習 15．2　適應正則化學習 第16章　半監(jiān)督學習 16．1　靈活應用輸入數(shù)據(jù)的流形構(gòu)造 16．2　拉普拉斯正則化最小二乘學習的求解方法 16．3　拉普拉斯正則化的解釋 第17章　監(jiān)督降維 17．1　與分類問題相對應的判別分析 17．2　充分降維 第18章　遷移學習 18．1　協(xié)變量移位下的遷移學習 18．2　類別平衡變化下的遷移學習 第19章　多任務學習 19．1　使用最小二乘回歸的多任務學習 19．2　使用最小二乘概率分類器的多任務學習 19．3　多次維輸出函數(shù)的學習 第VI部分　結(jié) 語 第20章　總結(jié)與展望 參考文獻