目录
Fundamentals of Pattern Recognition and Machine Learning
译者序
前言
第1章概述11.1模式识别与机器学习1
1.2数学基础设置1
1.3预测2
1.4预测误差2
1.5监督学习与无监督学习3
1.6复杂性权衡3
1.7设计周期4
1.8应用实例5
1.8.1生物信息学5
1.8.2材料信息学7
1.9文献注释9
第2章最优分类102.1无特征分类10
2.2有特征分类10
2.3贝叶斯分类器13
2.4贝叶斯误差16
2.5高斯模型19
2.5.1同方差情况20
2.5.2异方差情况22
2.6其他主题22
2.6.1极小极大分类22
2.6.2F误差24
2.6.3贝叶斯决策理论26
*2.6.4分类问题的严格表达27
2.7文献注释28
2.8练习29
2.9Python作业33
第3章基于实例的分类363.1分类规则36
3.2分类错误率38
*3.3一致性38
3.4没有免费午餐定理41
3.5其他主题42
3.5.1集成分类42
3.5.2混合抽样与独立抽样43
3.6文献注释44
3.7练习44
3.8Python作业45
第4章参数分类474.1参数替换规则47
4.2高斯判别分析48
4.2.1线性判别分析48
4.2.2二次判别分析51
4.3逻辑斯谛分类53
4.4其他主题54
4.4.1正则化判别分析54
*4.4.2参数规则的一致性55
4.4.3贝叶斯参数规则57
4.5文献注释59
4.6练习60
4.7Python作业62
第5章非参数分类645.1非参数替换规则64
5.2直方图分类65
5.3最近邻分类66
5.4核分类68
5.5CoverHart定理70
*5.6Stone定理73
5.7文献注释74
5.8练习75
5.9Python作业76
第6章函数逼近分类786.1支持向量机78
6.1.1可分数据的线性支持
向量机78
6.1.2一般线性支持向量机80
6.1.3非线性支持向量机82
6.2神经网络86
6.2.1反向传播训练89
6.2.2卷积神经网络92
*6.2.3神经网络的普遍逼近
性质94
6.2.4普遍一致性定理96
6.3决策树97
6.4有序分类器100
6.5文献注释101
6.6练习102
6.7Python作业104
第7章分类误差估计1087.1误差估计规则108
7.2误差估计性能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测试集误差估计112
7.4再代入误差估计113
7.5交叉验证114
7.6自助方法116
7.7增强误差估计118
7.8其他主题121
7.8.1凸误差估计器121
7.8.2平滑误差估计器123
7.8.3贝叶斯误差估计123
7.9文献注释126
7.10练习127
7.11Python作业129
第8章分类模型选择1318.1分类复杂性131
8.2VapnikChervonenkis理论134
*8.2.1有限模型选择134
8.2.2打散系数与VC维度135
8.2.3几种分类规则中的VC
参数136
8.2.4VapnikChervonenkis
定理139
8.2.5没有免费午餐定理139
8.3模型选择方法140
8.3.1验证误差最小化140
8.3.2训练集误差最小化141
8.3.3结构性风险最小化141
8.4文献注释142
8.5练习143
第9章降维1459.1面向分类任务的特征提取145
9.2特征选择146
9.2.1穷举搜索146
9.2.2单变量贪婪搜索147
9.2.3多变量贪婪搜索149
9.2.4特征选择与分类复杂性150
9.2.5特征选择与误差估计150
9.3主成分分析152
9.4多维缩放155
9.5因子分析156
9.6文献注释158
9.7练习159
9.8Python作业160
第10章聚类16210.1KMeans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与KMeans的关系170
10.3层次聚类171
10.4自组织映射173
10.5文献注释174
10.6练习175
10.7Python作业176
第11章回归17811.1最优回归178
11.2
