譯者序
前言
第1章引言：分類、學習、
特徵及應用
1.1範圍
1.2為什麼需要機器學習？
1.3一些應用
1.3.1圖像識彆
1.3.2語音識彆
1.3.3醫學診斷
1.3.4統計套利
1.4測量、特徵和特徵嚮量
1.5概率的需要
1.6監督學習
1.7小結
1.8附錄：歸納法
1.9問題
1.10參考文獻
第2章概率
2.1一些基本事件的概率
2.2復閤事件的概率
2.3條件概率
2.4不放迴抽取
2.5一個經典的生日問題
2.6隨機變量
2.7期望值
2.8方差
2.9小結
2.10附錄：概率詮釋
2.11問題
2.12參考文獻
第3章概率密度
3.1一個二維實例
3.2在[0,1]區間的隨機數
3.3密度函數
3.4高維空間中的概率密度
3.5聯閤密度和條件密度
3.6期望和方差
3.7大數定律
3.8小結
3.9附錄:可測性
3.10問題
3.11參考文獻
第4章模式識彆問題
4.1一個簡單例子
4.2決策規則
4.3成功基準
4.4最佳分類器：貝葉斯決策
規則
4.5連續特徵和密度
4.6小結
4.7附錄：不可數概念
4.8問題
4.9參考文獻
第5章最優貝葉斯決策規則
5.1貝葉斯定理
5.2貝葉斯決策規則
5.3最優及其評論
5.4一個例子
5.5基於密度函數的貝葉斯定理
及決策規則
5.6小結
5.7附錄：條件概率的定義
5.8問題
5.9參考文獻
第6章從實例中學習
6.1概率分布知識的欠缺
6.2訓練數據
6.3對訓練數據的假設
6.4蠻力學習方法
6.5維數災難、歸納偏置以及
無免費午餐原理
6.6小結
6.7附錄:學習的類型
6.8問題
6.9參考文獻
第7章最近鄰規則
7.1最近鄰規則
7.2最近鄰規則的性能
7.3直覺判斷與性能證明框架
7.4使用更多鄰域
7.5小結
7.6附錄:當人們使用最近鄰域
進行推理時的一些問題
7.6.1誰是單身漢?
7.6.2法律推理
7.6.3道德推理
7.7問題
7.8參考文獻
第8章核規則
8.1動機
8.2最近鄰規則的變體
8.3核規則
8.4核規則的通用一緻性
8.5勢函數
8.6更多的通用核
8.7小結
8.8附錄：核、相似性和特徵
8.9問題
8.10參考文獻
第9章神經網絡:感知器
9.1多層前饋網絡
9.2神經網絡用於學習和分類
9.3感知器
9.3.1閾值
9.4感知器學習規則
9.5感知器的錶達能力
9.6小結
9.7附錄：思想模型
9.8問題
9.9參考文獻
第10章多層神經網絡
10.1多層網絡的錶徵能力
10.2學習及S形輸齣
10.3訓練誤差和權值空間
10.4基於梯度下降的誤差最小化
10.5反嚮傳播
10.6反嚮傳播方程的推導
10.6.1單神經元情況下的推導
10.6.2多層網絡情況下的推導
10.7小結
10.8附錄:梯度下降與反射平衡
推理
10.9問題
10.10參考文獻
第11章可能近似正確（PAC）
學習
11.1決策規則分類
11.2來自一個類中的最優規則
11.3可能近似正確準則
11.4PAC學習
11.5小結
11.6附錄：識彆不可辨元
11.7問題
11.8參考文獻
第12章VC維
12.1近似誤差和估計誤差
12.2打散
12.3VC維
12.4學習結果
12.5舉例
12.6神經網絡應用
12.7小結
12.8附錄:VC維與波普爾
（Popper）維度
12.9問題
12.10參考文獻
第13章無限VC維
13.1類層次及修正的PAC準則
13.2失配與復雜性間的平衡
13.3學習結果
13.4歸納偏置與簡單性
13.5小結
13.6附錄：均勻收斂與泛
緻性
13.7問題
13.8參考文獻
第14章函數估計問題
14.1估計
14.2成功準則
14.3最優估計：迴歸函數
14.4函數估計中的學習
14.5小結
14.6附錄：均值迴歸
14.7問題
14.8參考文獻
第15章學習函數估計
15.1函數估計與迴歸問題迴顧
15.2最近鄰規則
15.3核方法
15.4神經網絡學習
15.5基於確定函數類的估計
15.6打散、僞維數與學習
15.7結論
15.8附錄：估計中的準確度、
精度、偏差及方差
15.9問題
15.10參考文獻
第16章簡明性
16.1科學中的簡明性
16.1.1對簡明性的明確倡導
16.1.2這個世界簡單嗎?
16.1.3對簡明性的錯誤訴求
16.1.4對簡明性的隱性訴求
16.2排序假設
16.2.1兩種簡明性排序法
16.3兩個實例
16.3.1麯綫擬閤
16.3.2枚舉歸納
16.4簡明性即錶徵簡明性
16.4.1要確定錶徵係統嗎?
16.4.2參數越少越簡單嗎?
16.5簡明性的實用理論
16.6簡明性和全局不確定性
16.7小結
16.8附錄:基礎科學和統計學習
理論
16.9問題
16.10參考文獻
第17章支持嚮量機
17.1特徵嚮量的映射
17.2間隔最大化
17.3優化與支持嚮量
17.4實現及其與核方法的關聯
17.5優化問題的細節
17.5.1改寫分離條件
17.5.2間隔方程
17.5.3用於不可分實例的鬆弛
變量
17.5.4優化問題的重構和求解
17.6小結
17.7附錄:計算
17.8問題
17.9參考文獻
第18章集成學習
18.1弱學習規則
18.2分類器組閤
18.3訓練樣本的分布
18.4自適應集成學習算法
（AdaBoost）
18.5訓練數據的性能
18.6泛化性能
18.7小結
18.8附錄：集成方法
18.9問題
18.10參考文獻
· · · · · · (收起)