机器学习【清晰】

描述
pdf
282页

内容
这本书介绍了机器学习的主要算法和途径；不同学习任务可行性和特定算法能力的理论结果；以及机器学习应用于解决现实问题的例子。只要可能，各章的写作都力争与阅读顺序无关。然而一些相互依赖性是不可避免的。如果本书被用作教科书，我建议首先完成第一和第二章，余下各章基本可以以任意顺序阅读。长度为一个学期的机器学习课程可以包括前七章以及额外的几个最感兴趣的章节。下面简要浏览一下各章。
. 第2章包括基于符号和逻辑表示的概念学习。也讨论了假设的一般到特殊偏序结构，以及学习中引入归纳偏置的必要性。
. 第3章包括决策树学习和过度拟合训练数据的问题。这一章也剖析了奥坎姆剃刀——该原则建议在与数据一致的假设中选择最短假设。
. 第4章包括人工神经网络的知识，特别是研究已久的反向传播算法，以及梯度下降的一般方法。这一章包含一个详细的基于神经网络的人脸识别实例，该例子需要的数据和算法可以在万维网上得到。
. 第5章给出了来自统计和估计理论的基础概念，着重于使用有限的样本数据评估假设的精度。这一章包含了用于估计假设精度的置信空间，和对不同学习算法的精度进行比较的方法。
. 第6章介绍机器学习的贝叶斯观点。既包括了使用贝叶斯分析刻画非贝叶斯学习算法，又包括了直接处理概率的贝叶斯算法。这一章包括一个应用贝叶斯分类器来分类文本文档的详细例子，所需的数据和软件可以在万维网上得到。
. 第7章覆盖了计算学习理论，包括可能近似正确（Probably Approximately Correct，PAC）学习模型和出错界限（Mistake-Bound）学习模型。本章讨论了联合多个学习方法的加权多数（Weighted Majority）算法。
. 第8章描述了基于实例的学习方法，包括最近邻学习，局部加权回归，和基于案例的推理。
. 第9章讨论了根据生物进化建模的学习算法，包括遗传算法和遗传编程。
. 第10章覆盖了一组学习规则集合的算法，包括学习一阶Horn子句的归纳逻辑编程方法。
. 第11章包含了基于解释的学习，即一种使用以前的知识解释观察到的实例，然后根据这些解释泛化的学习方法。
. 第12章讨论了把以前的近似知识结合进现有的训练数据中以提高学习精度的方法。在其中符号算法和神经网络算法都有讨论。
. 第13章讨论了增强学习。这种方法是为了处理来自训练信息中的间接的或延迟的反馈。本章前面提及的下棋学习程序是增强学习的一个简单的例子。
每章的结尾包含了所覆盖的主要概念的小结、进一步阅读的参考和习题。其他对章节的更新，包括数据集和算法的实现，都可从网址http://www.cs.cmu.edu/~tom/mlbook.html访问到。

链接：http://pan.baidu.com/s/1dFclbSt 密码：

游客，如果您要查看本帖隐藏内容请回复