模式識別和機器學(xué)習(xí)基礎(chǔ)

目錄

Fundamentals of Pattern Recognition and Machine Learning

譯者序
前言
第1章概述111模式識別與機器學(xué)習(xí)1
12數(shù)學(xué)基礎(chǔ)設(shè)置1
13預(yù)測2
14預(yù)測誤差2
15監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)3
16復(fù)雜性權(quán)衡3
17設(shè)計周期4
18應(yīng)用實例5
181生物信息學(xué)5
182材料信息學(xué)7
19文獻注釋9
第2章最優(yōu)分類1021無特征分類10
22有特征分類10
23貝葉斯分類器13
24貝葉斯誤差16
25高斯模型19
251同方差情況20
252異方差情況22
26其他主題22
261極小極大分類22
262F誤差24
263貝葉斯決策理論26
*264分類問題的嚴格表達27
27文獻注釋28
28練習(xí)29
29Python作業(yè)33
第3章基于實例的分類3631分類規(guī)則36
32分類錯誤率38
*33一致性38
34沒有免費午餐定理41
35其他主題42
351集成分類42
352混合抽樣與獨立抽樣43
36文獻注釋44
37練習(xí)44
38Python作業(yè)45
第4章參數(shù)分類4741參數(shù)替換規(guī)則47
42高斯判別分析48
421線性判別分析48
422二次判別分析51
43邏輯斯諦分類53
44其他主題54
441正則化判別分析54
*442參數(shù)規(guī)則的一致性55
443貝葉斯參數(shù)規(guī)則57
45文獻注釋59
46練習(xí)60
47Python作業(yè)62
第5章非參數(shù)分類6451非參數(shù)替換規(guī)則64
52直方圖分類65
53最近鄰分類66
54核分類68
55CoverHart定理70
*56Stone定理73
57文獻注釋74
58練習(xí)75
59Python作業(yè)76
第6章函數(shù)逼近分類7861支持向量機78
611可分數(shù)據(jù)的線性支持
向量機78
612一般線性支持向量機80
613非線性支持向量機82
62神經(jīng)網(wǎng)絡(luò)86
621反向傳播訓(xùn)練89
622卷積神經(jīng)網(wǎng)絡(luò)92
*623神經(jīng)網(wǎng)絡(luò)的普遍逼近
性質(zhì)94
624普遍一致性定理96
63決策樹97
64有序分類器100
65文獻注釋101
66練習(xí)102
67Python作業(yè)104
第7章分類誤差估計10871誤差估計規(guī)則108
72誤差估計性能109
721偏差分布109
722偏差、方差、均方根和
尾概率110
*723一致性111
73測試集誤差估計112
74再代入誤差估計113
75交叉驗證114
76自助方法116
77增強誤差估計118
78其他主題121
781凸誤差估計器121
782平滑誤差估計器123
783貝葉斯誤差估計123
79文獻注釋126
710練習(xí)127
711Python作業(yè)129
第8章分類模型選擇13181分類復(fù)雜性131
82VapnikChervonenkis理論134
*821有限模型選擇134
822打散系數(shù)與VC維度135
823幾種分類規(guī)則中的VC
參數(shù)136
824VapnikChervonenkis
定理139
825沒有免費午餐定理139
83模型選擇方法140
831驗證誤差最小化140
832訓(xùn)練集誤差最小化141
833結(jié)構(gòu)性風(fēng)險最小化141
84文獻注釋142
85練習(xí)143
第9章降維14591面向分類任務(wù)的特征提取145
92特征選擇146
921窮舉搜索146
922單變量貪婪搜索147
923多變量貪婪搜索149
924特征選擇與分類復(fù)雜性150
925特征選擇與誤差估計150
93主成分分析152
94多維縮放155
95因子分析156
96文獻注釋158
97練習(xí)159
98Python作業(yè)160
第10章聚類162101KMeans算法162
102高斯混合模型165
1021期望最大化方法166
1022與KMeans的關(guān)系170
103層次聚類171
104自組織映射173
105文獻注釋174
106練習(xí)175
107Python作業(yè)176
第11章回歸178111最優(yōu)回歸178
112