第I部分 緒 論
第1章 什麼是機器學習 2
1.1 學習的種類 2
1.2 機器學習任務的例子 4
1.3 機器學習的方法 8
第2章 學習模型 12
2.1 綫性模型 12
2.2 核模型 15
2.3 層級模型 17
第II部分 有監督迴歸
第3章 最小二乘學習法 22
3.1 最小二乘學習法 22
3.2 最小二乘解的性質 25
3.3 大規模數據的學習算法 27
第4章帶有約束條件的最小二乘法 31
4.1 部分空間約束的最小二乘學習法 31
4.2 ｌ2 約束的最小二乘學習法 33
4.3 模型選擇 37
第5章 稀疏學習 43
5.1 ｌ1 約束的最小二乘學習法 43
5.2 ｌ1 約束的最小二乘學習的求解方法 45
5.3 通過稀疏學習進行特徵選擇 50
5.4 ｌp約束的最小二乘學習法 51
5.5 ｌ1+ｌ2 約束的最小二乘學習法 52
第6章 魯棒學習 55
6.1 ｌ1 損失最小化學習 56
6.2 Huber損失最小化學習 58
6.3 圖基損失最小化學習 63
6.4 ｌ1 約束的Huber損失最小化學習 65
第III部分 有監督分類
第7章 基於最小二乘法的分類 70
7.1 最小二乘分類 70
7.2 0/1 損失和間隔 73
7.3 多類彆的情形 76
第8章 支持嚮量機分類 80
8.1 間隔最大化分類 80
8.2 支持嚮量機分類器的求解方法 83
8.3 稀疏性 86
8.4 使用核映射的非綫性模型 88
8.5 使用Hinge損失最小化學習來解釋 90
8.6 使用Ramp損失的魯棒學習 93
第9章 集成分類 98
9.1 剪枝分類 98
9.2 Bagging學習法 101
9.3 Boosting 學習法 105
第10章 概率分類法 112
10.1 Logistic迴歸 112
10.2 最小二乘概率分類 116
第11 章序列數據的分類 121
11.1 序列數據的模型化 122
11.2 條件隨機場模型的學習 125
11.3 利用條件隨機場模型對標簽序列進行預測 128
第IV部分 無監督學習
第12章 異常檢測 132
12.1 局部異常因子 132
12.2 支持嚮量機異常檢測 135
12.3 基於密度比的異常檢測 137
第13章 無監督降維 143
13.1 綫性降維的原理 144
13.2 主成分分析 146
13.3 局部保持投影 148
13.4 核函數主成分分析 152
13.5 拉普拉斯特徵映射 155
第14章 聚類 158
14.1 K均值聚類 158
14.2 核K均值聚類 160
14.3 譜聚類 161
14.4 調整參數的自動選取 163
第V部分 新興機器學習算法
第15章 在綫學習 170
15.1 被動攻擊學習 170
15.2 適應正則化學習 176
第16章 半監督學習 181
16.1 靈活應用輸入數據的流形構造 182
16.2 拉普拉斯正則化最小二乘學習的求解方法 183
16.3 拉普拉斯正則化的解釋 186
第17章 監督降維 188
17.1 與分類問題相對應的判彆分析 188
17.2 充分降維 195
第18章 遷移學習 197
18.1 協變量移位下的遷移學習 197
18.2 類彆平衡變化下的遷移學習 204
第19章 多任務學習 212
19.1 使用最小二乘迴歸的多任務學習 212
19.2 使用最小二乘概率分類器的多任務學習 215
19.3 多次維輸齣函數的學習 216
第VI部分 結 語
第20章 總結與展望 222
參考文獻 225
· · · · · · (收起)