齣版者的話中文版序譯者序前言緻謝符號錶第1章 緒論 1.1　什麼是機器學習 1.2　機器學習的應用實例 1.2.1　學習關聯性 1.2.2　分類 1.2.3　迴歸 1.2.4　非監督學習 1.2.5　增強學習 1.3　注釋 1.4　相關資源 1.5　習題 1.6　參考文獻第2章 監督學習 2.1　由實例學習類 2.2　VC維 2.3　概率逼近正確學習 2.4　噪聲 2.5　學習多類 2.6　迴歸 2.7　模型選擇與泛化 2.8　監督機器學習算法的維 2.9　注釋 2.10　習題 2.11　參考文獻第3章 貝葉斯決策定理 3.1　引言　 3.2　分類 3.3　損失與風險 3.4　判彆式函數 3.5　效用理論 3.6　信息值 3.7　貝葉斯網絡 3.8　影響圖 3.9　關聯規則 3.10　注釋 3.11　習題 3.12　參考文獻第4章 參數方法 4.1　引言 4.2　最大似然估計 4.2.1　伯努利密度 4.2.2　多項密度 4.2.3　高斯（正態）密度 4.3　評價估計：偏倚和方差 4.4　貝葉斯估計 4.5　參數分類 4.6　迴歸 4.7　調整模型的復雜度：偏倚／方差兩難選擇 4.8　模型選擇過程 4.9　注釋 4.10　習題 4.11　參考文獻第5章 多元方法 5.1　多元數據 5.2　參數估計 5.3　缺失值估計 5.4　多元正態分布 5.5　多元分類……第6章　維度旭納第7章　聚類第8章　非參數方法第9章　決策樹第10章　綫性判彆式第11章　多層感知器第12章　局部模型　第13章　隱馬爾可夫模型　第14章　分類算法評估和比較第15章　組閤多學習器第16章　增強學習
· · · · · · (收起)