《机器学习》周志华
机器学习是计算机科学与人工智能的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。
本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
获取方式:pan.baidu.com/s/1oTJjTkxK…提取码:odp0
目录第1章11.1引言11.2基本术21.3假设空间41.4归纳偏好61.5发展历程101.6应用现状131.7阅读材料16习题19参考文献20休息一会儿22第2章模型评估与选择232.1经验误差与过拟合232.2评估方法242.2.1留出法252.2.2交叉验证法262.2.3自助法272.2.4调参与最终模型282.3性能度量282.3.1错误率与精度292.3.2查准率、查全率与F1302.3.3ROC与AUC332.3.4代价敏感错误率与代价曲线352.4比较检验372.4.1假设检验372.4.2交叉验证t检验402.4.3McNemar检验412.4.4Friedman检验与后续检验422.5偏差与方差442.6阅读材料46习题48参考文献49休息一会儿51第3章线性模型533.1基本形式533.2线性回归533.3对数几率回归573.4线性判别分析603.5多分类学习633.6类别不平衡问题663.7阅读材料67习题69参考文献70休息一会儿72第4章决策树734.1基本流程734.2划分选择754.2.1信息增益754.2.2增益率774.2.3基尼指数794.3剪枝处理794.3.1预剪枝804.3.2后剪枝824.4连续与缺失值834.4.1连续值处理834.4.2缺失值处理854.5多变量决策树884.6阅读材料92习题93参考文献94休息一会儿95第5章神经网络975.1神经元模型975.2感知机与多层网络985.3误差逆传播算法1015.4全局最小与局部极小1065.5其他常见神经网络1085.5.1RBF网络1085.5.2ART网络1085.5.3SOM网络1095.5.4级联相关网络1105.5.5Elman网络1115.5.6Boltzmann机1115.6深度学习1135.7阅读材料115习题116参考文献117休息一会儿120第6章支持向量机1216.1间隔与支持向量1216.2对偶问题1236.3核函数1266.4软间隔与正则化1296.5支持向量回归1336.6核方法1376.7阅读材料139习题141参考文献142休息一会儿145第7章贝叶斯分类器1477.1贝叶斯决策论1477.2极大似然估计1497.3朴素贝叶斯分类器1507.4半朴素贝叶斯分类器1547.5贝叶斯网1567.5.1结构1577.5.2学习1597.5.3推断1617.6EM算法1627.7阅读材料164习题166参考文献167休息一会儿169第8章集成学习1718.1个体与集成1718.2Boosting1738.3Bagging与随机森林1788.3.1Bagging1788.3.2随机森林1798.4结合策略1818.4.1平均法1818.4.2投票法1828.4.3学习法1838.5多样性1858.5.1误差--分歧分解1858.5.2多样性度量1868.5.3多样性增强1888.6阅读材料190习题192参考文献193休息一会儿196第9章聚类1979.1聚类任务1979.2性能度量1979.3距离计算1999.4原型聚类2029.4.1k均值算法2029.4.2学习向量量化2049.4.3高斯混合聚类2069.5密度聚类2119.6层次聚类2149.7阅读材料217习题220参考文献221休息一会儿224第10章降维与度量学习22510.1k近邻学习22510.2低维嵌入22610.3主成分分析22910.4核化线性降维23210.5流形学习23410.5.1等度量映射23410.5.2局部线性嵌入23510.6度量学习23710.7阅读材料240习题242参考文献243休息一会儿246第11章特征选择与稀疏学习24711.1子集搜索与评价24711.2过滤式选择24911.3包裹式选择25011.4嵌入式选择与L$_1$正则化25211.5稀疏表示与字典学习25411.6压缩感知25711.7阅读材料260习题262参考文献263休息一会儿266第12章计算学习理论26712.1基础知识26712.2PAC学习26812.3有限假设空间27012.3.1可分情形27012.3.2不可分情形27212.4VC维27312.5Rademacher复杂度27912.6稳定性28412.7阅读材料287习题289参考文献290休息一会儿292第13章半监督学习29313.1未标记样本29313.2生成式方法29513.3半监督SVM29813.4图半监督学习30013.5基于分歧的方法30413.6半监督聚类30713.7阅读材料311习题313参考文献314休息一会儿317第14章概率图模型31914.1隐马尔可夫模型31914.2马尔可夫随机场32214.3条件随机场32514.4学习与推断32814.4.1变量消去32814.4.2信念传播33014.5近似推断33114.5.1MCMC采样33114.5.2变分推断33414.6话题模型33714.7阅读材料339习题341参考文献342休息一会儿345第15章规则学习34715.1基本概念34715.2序贯覆盖34915.3剪枝优化35215.4一阶规则学习35415.5归纳逻辑程序设计35715.5.1最小一般泛化35815.5.2逆归结35915.6阅读材料363习题365参考文献366休息一会儿369第16章强化学习37116.1任务与奖赏37116.2$K$-摇臂赌博机37316.2.1探索与利用37316.2.2$epsilon$-贪心37416.2.3Softmax37516.3有模型学习37716.3.1策略评估37716.3.2策略改进37916.3.3策略迭代与值迭代38116.4免模型学习38216.4.1蒙特卡罗强化学习38316.4.2时序差分学习38616.5值函数近似38816.6模仿学习39016.6.1直接模仿学习39116.6.2逆强化学习39116.7阅读材料393习题394参考文献395休息一会儿397附录399A矩阵399B优化403C概率分布409后记417索引419复制代码最后，这里为大家准备了几百本的互联网电子书，有需要的过来取吧。点击获取
本页书籍均来自网络，如有侵权，请联系我立即删除。我的邮箱：yaojianguolq@163.com