Machine learning techniques

第1章 绪论.

1．1 机器学习概念

1．2 机器学习系统

1．3 机器学习方法分类

1．4 一般性定理与规则

1．5 学习算法的评价

1．6 本书各章概要

第2章 最近邻规则

2．1 最近邻分类

2．2 k-nn算法的缺陷及其改进

第3章 贝叶斯学习

3．1 概率论基础

3．2 贝叶斯定理

3．3 贝叶斯定理和概念学习

3．4 极大似然和最小误差平方假设

3．5 贝叶斯最优分类器

3．6 简单贝叶斯分类器

3．7 贝叶斯网络

3．8 主观贝叶斯方法

3．9 贝叶斯学习的优缺点

.第4章 决策树

4．1 决策树的创建

4．2 分枝划分标准

4．3 连续属性离散化

4．4 决策树剪枝

4．5 动态离散化方法rcat

4．6 二分决策树系统btrees

4．7 决策树规则化

第5章 基于事例推理的学习

5．1 cbr概念的引入

5．2 cbr的描述性框架

5．3 cbr方法描述

5．4 演绎检索

5．5 最近邻检索

第6章 关联规则学习

6．1 相关概念介绍

6．2 关联规则学习

6．3 多层关联规则学习

6．4 关联规则与相关性分析

6．5 关联学习中的约束

第7章 神经网络

7．1 神经网络概述

7．2 常用神经网络介绍

7．3 bpnn的快速学习算法

7．4 bpnn的结构化扩展

第8章 支持向量机

8．1 核函数和特征空间..

8．2 构造核函数

8．3 常用的核函数

8．4 vc理论

8．5 svm基本原理

8．6 支持向量机算法扩展

8．7 支持向量机应用示例

第9章 遗传算法

9．1 基本遗传算法

9．2 执行过程及应用示例

9．3 遗传算法的数学基础

9．4 遗传算法的收敛性分析

9．5 遗传算法的局限性及其改进措施

9．6 遗传算法的特点

9．7 遗传规划

9．8 基于遗传算法的机器分类

第10章 集成学习

10．1 集成学习的概念

10．2 基本分类器的构造

10．3 分类器集成方法

10．4 选择性集成

10．5 集成学习的性能

第11章 基于纠错编码的机器学习

11．1 纠错输出编码

11．2 bch编码算法

11．3 搜索编码算法

11．4 基于纠错输出编码的监督分类技术

11．5 应用示例

第12章 聚类分析

12．1 聚类分析概述

12．2 类别数目未知时的聚类方法

12．3 类别数目已知时的聚类方法

12．4 基于核构造的聚类法

12．5 模糊聚类

第13章 强化学习

13．1 强化学习的概念

13．2 强化学习的基本知识

13．3 td算法

13．4 q-学习

13．5 强化学习的局限性

附录a 数据集描述

参考文献...