《机器学习导论》是一本浅显易懂的机器学习入门教材，它以理论与实际相结合的方式全面地涵盖了主流的机器学习理论与技术。全书共17章，介绍了贝叶斯分类器、近邻分类器、线性与多项式分类器、人工神经网络、决策树、基于规则集的分类器、遗传算法等经典的机器学习方法，对计算学习理论、性能评估、统计显著性等进行了讨论。讲解了集成学习、多标签学习、无监督学习和强化学习等重要的机器学习领域。本书还通过大量的应用实例，阐述了机器学习技术的许多应用技巧。每章结尾对相关机器学习工作都进行了历史简评，并附有练习、思考题和上机实验。 Miroslav Kubat 美国迈阿密大学教授，从事机器学习教学和研究超过25年。他已发表100余篇经过同行评审的论文，与人合编了两本著作，是近60个会议和研讨会的委员会委员，并担任3本学术刊物的编委。他在两个方面的前沿研究上得到了广泛赞誉：时变概念的归纳学习和在非平衡训练集上的学习。此外，在多标签样例上的归纳学习、层次组织的类别上的归纳学习、遗传算法、神经网络的初始化等问题上，他也做出了很多贡献。 译者序原书前言第 1章　一个简单的机器学习任务 //11.1　训练集和分类器 //11.2　题外话：爬山搜索 //41.3　机器学习中的爬山法 //61.4　分类器的性能 //81.5　可用数据的困难 //91.6　小结和历史简评 //111.7　巩固知识 //11第 2章　概率：贝叶斯分类器 //142.1　单属性的情况 //142.2　离散属性值的向量 //172.3　稀少事件的概率：利用专家的直觉 //202.4　如何处理连续属性 //232.5　高斯钟形函数：一个标准的 pdf //242.6　用高斯函数的集合近似 pdf //262.7　小结和历史简评 //302.8　巩固知识 //30第 3章　相似性：最近邻分类器 //323.1　k近邻法则 //323.2　度量相似性 //343.3　不相关属性与尺度缩放问题 //363.4　性能方面的考虑 //393.5　加权最近邻 //41 3.6　移除危险的样例 //423.7　移除多余的样例 //443.8　小结和历史简评 //463.9　巩固知识 //46第 4章　类间边界：线性和多项式分类器 //494.1　本质 //494.2　加法规则：感知机学习 //514.3　乘法规则： WINNOW //554.4　多于两个类的域 //584.5　多项式分类器 //604.6　多项式分类器的特殊方面 //624.7　数值域和 SVM //634.8　小结和历史简评 //654.9　巩固知识 //66第 5章　人工神经网络 //695.1　作为分类器的多层感知机 //695.2　神经网络的误差 //725.3　误差的反向传播 //735.4　多层感知机的特殊方面 //775.5　结构问题 //795.6　RBF网络 //815.7　小结和历史简评 //835.8　巩固知识 //84第 6章　决策树 //866.1　作为分类器的决策树 //866.2　决策树的归纳学习 //896.3　一个属性承载的信息 //916.4　数值属性的二元划分 //946.5　剪枝 //966.6　将决策树转换为规则 //996.7　小结和历史简评 //1016.8　巩固知识 //101第 7章　计算学习理论 //1047.1　PAC学习 //1047.2　PAC可学习性的实例 //1067.3　一些实践和理论结果 //1087.4　VC维与可学习性 //1107.5　小结和历史简评 //1127.6　巩固知识 //112第 8章　典型案例 //1148.1　字符识别 //1148.2　溢油检测 //1178.3　睡眠分类 //1198.4　脑机界面 //1218.5　医疗诊断 //1248.6　文本分类 //1268.7　小结和历史简评 //1278.8　巩固知识 //128第 9章　投票组合简介 //1309.1　“Bagging”方法 //1309.2　“Schapire’s Boosting”方法 //1329.3　“Adaboost”方法： “Boosting”方法的实用版本 //1349.4　“Boosting”方法的变种 //1389.5　该方法的计算优势 //1399.6　小结和历史简评 //1419.7　巩固知识 //141第 10章　了解一些实践知识 //14310.1　学习器的偏好 //14310.2　不平衡训练集 //14510.3　语境相关域 //14810.4　未知属性值 //15010.5　属性选择 //15210.6　杂项 //15410.7　小结和历史简评 //15510.8　巩固知识 //156第 11章　性能评估 //15811.1　基本性能标准 //15811.2　精度和查全率 //16011.3　测量性能的其他方法 //16311.4　学习曲线和计算开销 //16611.5　实验评估的方法 //16711.6　小结和历史简评 //16911.7　巩固知识 //170第 12章　统计显著性 //17312.1　总体抽样 //17312.2　从正态分布中获益 //17612.3　置信区间 //17812.4　一个分类器的统计评价 //18012.5　另外一种统计评价 //18212.6　机器学习技术的比较 //18212.7　小结和历史简评 //18412.8　巩固知识 //185第 13章　多标签学习 //18613.1　经典机器学习框架下的多标签问题 //18613.2　单独处理每类数据的方法：二元相关法 //18813.3　分类器链 //19013.4　另一种方法：层叠算法 //19113.5　层次有序类的简介 //19213.6　类聚合 //19413.7　分类器性能的评价标准 //19613.8　小结和历史简评 //19813.9　巩固知识 //199第 14章　无监督学习 //20214.1　聚类分析 //20214.2　简单算法： k均值 //20414.3　k均值的高级版 //20714.4　分层聚集 //20914.5　自组织特征映射：简介 //21114.6　一些重要的细节 //21314.7　为什么要特征映射 //21414.8　小结和历史简评 //21514.9　巩固知识 //216第 15章　规则集形式的分类器 //21815.1　由规则描述的类别 //21815.2　通过序列覆盖归纳规则集 //22015.3　谓词与循环 //22215.4　更多高级的搜索算子 //22415.5　小结和历史简评 //22515.6　巩固知识 //225第 16章　遗传算法 //22716.1　基本遗传算法 //22716.2　个体模块的实现 //22916.3　为什么能起作用 //23116.4　过早退化的危险 //23316.5　其他遗传算子 //23416.6　高级版本 //23516.7　kNN分类器的选择 //23716.8　小结和历史简评 //23916.9　巩固知识