前言
第1章 可能近似正确的软件
正确地编写软件
编写正确的软件
本书计划
第2章 快速介绍机器学习
什么是机器学习
有监督学习
无监督学习
强化学习
机器学习能完成什么
本书中使用的数学符号
结论
第3章 K近邻算法
如何确定是否想购买一栋房子
房子的价格究竟几何
愉悦回归
什么是邻域
K近邻算法简介
K先生近的邻居
距离
维度灾难
如何选择K
给西雅图的房子估价
结论
第4章 朴素贝叶斯分类
通过贝叶斯定理来发现欺诈订单
条件概率
概率符号
反向条件概率(又名贝叶斯定理)
朴素贝叶斯分类器
贝叶斯推理之朴素
伪计数
垃圾邮件过滤器
标记化和上下文
结论
第5章 决策树和随机森林
蘑菇的细微差别
使用民间定理实现蘑菇分类
找到佳切换点
修剪树
结论
第6章 隐马尔可夫模型
使用状态机来跟踪用户行为
输出/观测隐含状态
使用马尔可夫假设化简
隐马尔可夫模型
评估:前向-后向算法
通过维特比算法解码
学习问题
词性标注与布朗语库
结论
第7章 支持向量机
客户满意度作为语言的函数
SVM背后的理论
情绪分析器
聚合情绪
将情绪映射到底线
结论
第8章 神经网络
什么是神经网络
神经网络史
布尔逻辑
感知器
如何构建前馈神经网络
构建神经网络
使用神经网络来对语言分类
结论
第9章 聚类
无任何偏差的研究数据
用户群组
测试群集映射
K均值聚类
最大期望(EM)聚类
不可能性定理
案例:音乐归类
结论
第10章 模型改进与数据提取
辩论俱乐部
选择更好的数据
最小冗余最大相关性的特征选择
特征变换与矩阵分解
结论
第11章 将这些方法融合在一起:结论
机器学习算法回顾
如何使用这些信息来解决问题
下一步做什么
展开