《统计学习理论基础》(美)桑吉夫・库尔卡尼(Sanjeev | PDF下载|ePub下载

目录
译者序
前言
第1章引言：分类、学习、
特征及应用
1��1范围
1��2为什么需要机器学习？
1��3一些应用
1��3��1图像识别
1��3��2语音识别
1��3��3医学诊断
1��3��4统计套利
1��4测量、特征和特征向量
1��5概率的需要
1��6监督学习
1��7小结
1��8附录：归纳法
1��9问题
1��10参考文献
第2章概率
2��1一些基本事件的概率
2��2复合事件的概率
2��3条件概率
2��4不放回抽取
2��5一个经典的生日问题
2��6随机变量
2��7期望值
2��8方差
2��9小结
2��10附录：概率诠释
2��11问题
2��12参考文献
第3章概率密度
3��1一个二维实例
3��2在\[0,1\]区间的随机数
3��3密度函数
3��4高维空间中的概率密度
3��5联合密度和条件密度
3��6期望和方差
3��7大数定律
3��8小结
3��9附录:可测性
3��10问题
3��11参考文献
第4章模式识别问题
4��1一个简单例子
4��2决策规则
4��3成功基准
4��4*佳分类器：贝叶斯决策
规则
4��5连续特征和密度
4��6小结
4��7附录：不可数概念
4��8问题
4��9参考文献
第5章*优贝叶斯决策规则
5��1贝叶斯定理
5��2贝叶斯决策规则
5��3*优及其评论
5��4一个例子
5��5基于密度函数的贝叶斯定理
及决策规则
5��6小结
5��7附录：条件概率的定义
5��8问题
5��9参考文献
第6章从实例中学习
6��1概率分布知识的欠缺
6��2训练数据
6��3对训练数据的假设
6��4蛮力学习方法
6��5维数灾难、归纳偏置以及
无免费午餐原理
6��6小结
6��7附录:学习的类型
6��8问题
6��9参考文献
第7章*近邻规则
7��1*近邻规则
7��2*近邻规则的性能
7��3直觉判断与性能证明框架
7��4使用更多邻域
7��5小结
7��6附录:当人们使用*近邻域
进行推理时的一些问题
7��6��1谁是单身汉?
7��6��2法律推理
7��6��3道德推理
7��7问题
7��8参考文献
第8章核规则
8��1动机
8��2*近邻规则的变体
8��3核规则
8��4核规则的通用一致性
8��5势函数
8��6更多的通用核
8��7小结
8��8附录：核、相似性和特征
8��9问题
8��10参考文献
第9章神经网络:感知器
9��1多层前馈网络
9��2神经网络用于学习和分类
9��3感知器
9��3��1阈值
9��4感知器学习规则
9��5感知器的表达能力
9��6小结
9��7附录：思想模型
9��8问题
9��9参考文献
第10章多层神经网络
10��1多层网络的表征能力
10��2学习及S形输出
10��3训练误差和权值空间
10��4基于梯度下降的误差*小化
10��5反向传播
10��6反向传播方程的推导
10��6��1单神经元情况下的推导
10��6��2多层网络情况下的推导
10��7小结
10��8附录:梯度下降与反射平衡
推理
10��9问题
10��10参考文献
第11章可能近似正确（PAC）
学习
11��1决策规则分类
11��2来自一个类中的*优规则
11��3可能近似正确准则
11��4PAC学习
11��5小结
11��6附录：识别不可辨元
11��7问题
11��8参考文献
第12章VC维
12��1近似误差和估计误差
12��2打散
12��3VC维
12��4学习结果
12��5举例
12��6神经网络应用
12��7小结
12��8附录:VC维与波普尔
（Popper）维度
12��9问题
12��10参考文献
第13章无限VC维
13��1类层次及修正的PAC准则
13��2失配与复杂性间的平衡
13��3学习结果
13��4归纳偏置与简单性
13��5小结
13��6附录：均匀收敛与泛
致性
13��7问题
13��8参考文献
第14章函数估计问题
14��1估计
14��2成功准则
14��3*优估计：回归函数
14��4函数估计中的学习
14��5小结
14��6附录：均值回归
14��7问题
14��8参考文献
第15章学习函数估计
15��1函数估计与回归问题回顾
15��2*近邻规则
15��3核方法
15��4神经网络学习
15��5基于确定函数类的估计
15��6打散、伪维数与学习
15��7结论
15��8附录：估计中的准确度、
精度、偏差及方差
15��9问题
15��10参考文献
第16章简明性
16��1科学中的简明性
16��1��1对简明性的明确倡导
16��1��2这个世界简单吗?
16��1��3对简明性的错误诉求
16��1��4对简明性的隐性诉求
16��2排序假设
16��2��1两种简明性排序法
16��3两个实例
16��3��1曲线拟合
16��3��2枚举归纳
16��4简明性即表征简明性
16��4��1要确定表征系统吗?
16��4��2参数越少越简单吗?
16��5简明性的实用理论
16��6简明性和全局不确定性
16��7小结
16��8附录:基础科学和统计学习
理论
16��9问题
16��10参考文献
第17章支持向量机
17��1特征向量的映射
17��2间隔*大化
17��3优化与支持向量
17��4实现及其与核方法的关联
17��5优化问题的细节
17��5��1改写分离条件
17��5��2间隔方程
17��5��3用于不可分实例的松弛
变量
17��5��4优化问题的重构和求解
17��6小结
17��7附录:计算
17��8问题
17��9参考文献
第18章集成学习
18��1弱学习规则
18��2分类器组合
18��3训练样本的分布
18��4自适应集成学习算法
（AdaBoost）
18��5训练数据的性能
18��6泛化性能
18��7小结
18��8附录：集成方法
18��9问题
18��10参考文献