機器學習

《機器學習／計算機科學叢書》展示了機器學習中核心的算法和理論，並闡明瞭算法的運行過程。《機器學習／計算機科學叢書》綜合了許多的研究成果，例如統計學、人工智能、哲學、信息論、生物學、認知科學、計算複雜性和控制論等，並以此來理解問題的背景、算法和其中的隱含假定。《機器學習／計算機科學叢書》可作為計算機專業 本科生、研究生教材，也可作為相關領域研究人員、教師的參考書。 ^[1] 

出版者的話

專家指導委員會

譯者序

前言

第1章 引言

1.1　學習問題的標準描述

1.2　設計一個學習系統

1.2.1 選擇訓練經驗

1.2.2 選擇目標函數

1.2.3　選擇目標函數的表示

1.2.4　選擇函數逼近算法

1.2.5　最終設計

1.3　機器學習的一些觀點和問題

1.4　如何閲讀本書

1.5　小結和補充讀物

習題

第2章 概念學習和一般到特殊序

2.1　簡介

2.2　概念學習任務

2.2.1　術語定義

2.2.2　歸納學習假設

2.3　作為搜索的概念學習

2.4　FIND-S：尋找極大特殊假設

2.5　變型空間和候選消除算法

2.5.1　表示

2.5.2 列表後消除算法

2.5.3　變型空間的更簡潔表示

2.5.4　候選消除學習算法

2.5.5　算法的舉例

2.6　關於變型空間和候選消除的説明

2.6.1　候選消除算法是否會收斂到正確的假設

2.6.2 下一步需要什麼樣的訓練樣例

2.6.3　怎樣使用不完全學習概念

2.7　歸納偏置

2.7.1　一個有偏的假設空間

2.7.2　無偏的學習器

2.7.3　無偏學習的無用性

2.8　小結和補充讀物

習題

第3章　決策樹學習

3.1 簡介

3.2　決策樹表示法

3.3　決策樹學習的適用問題

3.4　基本的決策樹學習算法

3.4.1　哪個屬性是最佳的分類屬性

3.4.2　舉例

3.5　決策樹學習中的假設空間搜索

3.6　決策樹學習的歸納偏置

3.6.1　限定偏置和優選偏置

3.6.2　為什麼短的假設優先

3.7　決策樹學習的常見問題

3.7.1　避免過度擬合數據

3.7.2 合併連續值屬性

3.7.3　屬性選擇的其他度量標準

3.7.4　處理缺少屬性值的訓練樣例

3.7.5　處理不同代價的屬性

3.8　小結和補充讀物

習題

第4章 人工神經網絡

4.1　簡介

4.2　神經網絡表示

4.3　適合神經網絡學習的問題

4.4　感知器

4.4.1　感知器的表徵能力

4.4.2　感知器訓練法則

4.4.3 梯度下降和delta法則

4.4.4　小結

……

第5章　評估假設

第6章　貝葉斯學習

第7章　計算學習理論

第8章　基於實例的學習

第9章　遺傳算法

第10章　學習規則集合

第11章　分析這習

第12章　歸納和分析學習的結合

第13章　增強學習 ^[1] 

Tom M.Mitchell，是卡內基梅隆大學的教授，講授“機器學習”等多門課程；美國人工智能協會（AAAL）的主席；美國《Machine Learning》雜誌、國際機器學習年度會議（ICML）的創始人；多種技術雜誌的撰稿人，曾發表過許多文章，出版過多本專著，是機器學習領域的知名學者。 ^[1]