图解机器学习

第Ⅰ部分 绪论 2

第1章 什么是机器学习 2

1.1学习的种类 2

1.2机器学习任务的例子 4

1.3机器学习的方法 8

第2章 学习模型 12

2.1线性模型 12

2.2核模型 15

2.3层级模型 17

第Ⅱ部分 有监督回归 22

第3章 最小二乘学习法 22

3.1最小二乘学习法 22

3.2最小二乘解的性质 25

3.3大规模数据的学习算法 27

第4章 带有约束条件的最小二乘法 31

4.1部分空间约束的最小二乘学习法 31

4.2 e2约束的最小二乘学习法 33

4.3模型选择 37

第5章 稀疏学习 43

5.1 e1约束的最小二乘学习法 43

5.2 e1约束的最小二乘学习的求解方法 45

5.3通过稀疏学习进行特征选择 50

5.4 ep约束的最小二乘学习法 51

5.5 e1＋e2约束的最小二乘学习法 52

第6章 鲁棒学习 55

6.1 e1损失最小化学习 56

6.2 Huber损失最小化学习 58

6.3图基损失最小化学习 63

6.4 e1约束的Huber损失最小化学习 65

第Ⅲ部分 有监督分类 70

第7章 基于最小二乘法的分类 70

7.1最小二乘分类 70

7.2 0/1损失和间隔 73

7.3多类别的情形 76

第8章 支持向量机分类 80

8.1间隔最大化分类 80

8.2支持向量机分类器的求解方法 83

8.3稀疏性 86

8.4使用核映射的非线性模型 88

8.5使用Hinge损失最小化学习来解释 90

8.6使用Ramp损失的鲁棒学习 93

第9章 集成分类 98

9.1剪枝分类 98

9.2 Bagging学习法 101

9.3 Boosting学习法 105

第10章 概率分类法 112

10.1 Logistic回归 112

10.2最小二乘概率分类 116

第11章 序列数据的分类 121

11.1序列数据的模型化 122

11.2条件随机场模型的学习 125

11.3利用条件随机场模型对标签序列进行预测 128

第Ⅳ部分 无监督学习 132

第12章 异常检测 132

12.1局部异常因子 132

12.2支持向量机异常检测 135

12.3基于密度比的异常检测 137

第13章 无监督降维 143

13.1线性降维的原理 144

13.2主成分分析 146

13.3局部保持投影 148

13.4核函数主成分分析 152

13.5拉普拉斯特征映射 155

第14章 聚类 158

14.1K均值聚类 158

14.2核K均值聚类 160

14.3谱聚类 161

14.4调整参数的自动选取 163

第Ⅴ部分 新兴机器学习算法 170

第15章 在线学习 170

15.1被动攻击学习 170

15.2适应正则化学习 176

第16章 半监督学习 181

16.1灵活应用输入数据的流形构造 182

16.2拉普拉斯正则化最小二乘学习的求解方法 183

16.3拉普拉斯正则化的解释 186

第17章 监督降维 188

17.1与分类问题相对应的判别分析 188

17.2充分降维 195

第18章 迁移学习 197

18.1协变量移位下的迁移学习 197

18.2类别平衡变化下的迁移学习 204

第19章 多任务学习 212

19.1使用最小二乘回归的多任务学习 212

19.2使用最小二乘概率分类器的多任务学习 215

19.3多次维输出函数的学习 216

第Ⅵ部分 结语 222

第20章 总结与展望 222

参考文献 225