一、目录介绍

第I部分　绪论

第1章 什么是机器学习
1.1　 学习的种类
1.2　 机器学习任务的例子
1.3　 机器学习的方法

第2章 学习模型
2.1 　线性模型
2.2　 核模型
2.3　 层级模型

第II部分　有监督回归

第3章 最小二乘学习法
3.1　 最小二乘学习法
3.2　 最小二乘解的性质
3.3　 大规模数据的学习算法

第4章 带有约束条件的最小二乘法
4.1　 部分空间约束的最小二乘学习法
4.2　 ｌ2 约束的最小二乘学习法
4.3　 模型选择

第5章 稀疏学习
5.1　ｌ1 约束的最小二乘学习法
5.2　ｌ1 约束的最小二乘学习的求解方法
5.3　通过稀疏学习进行特征选择
5.4　ｌp约束的最小二乘学习法
5.5　ｌ1+ｌ2 约束的最小二乘学习法

第6章 鲁棒学习
6.1　ｌ1 损失最小化学习
6.2　Huber损失最小化学习
6.3　图基损失最小化学习
6.4　ｌ1 约束的Huber损失最小化学习

第III部分　有监督分类

第7章 基于最小二乘法的分类
7.1　 最小二乘分类
7.2　 0/1 损失和间隔
7.3　 多类别的情形

第8章 支持向量机分类
8.1　 间隔最大化分类
8.2　 支持向量机分类器的求解方法
8.3　 稀疏性
8.4　 使用核映射的非线性模型
8.5　 使用Hinge损失最小化学习来解释
8.6　 使用Ramp损失的鲁棒学习

第9章 集成分类
9.1　 剪枝分类
9.2　 Bagging学习法
9.3　 Boosting 学习法

第10章 概率分类法
10.1　 Logistic回归
10.2　 最小二乘概率分类

第11章 序列数据的分类
11.1　 序列数据的模型化
11.2　 条件随机场模型的学习
11.3　 利用条件随机场模型对标签序列进行预测

第IV部分　监督学习

第12章 异常检测
12.1　 局部异常因子
12.2　 支持向量机异常检测
12.3　 基于密度比的异常检测

第13章 监督降维
13.1　 线性降维的原理
13.2　 主成分分析
13.3　 局部保持投影
13.4　 核函数主成分分析
13.5　 拉普拉斯特征映射

第14章 聚类
14.1　 K均值聚类
14.2　 核K均值聚类
14.3　 谱聚类
14.4　 调整参数的自动选取

第V部分　新兴机器学习算法

第15章 在线学习
15.1　 被动攻击学习
15.2　 适应正则化学习

第16章 半监督学习
16.1 　灵活应用输入数据的流形构造
16.2　 拉普拉斯正则化最小二乘学习的求解方法
16.3　 拉普拉斯正则化的解释

第17章 监督降维
17.1　 与分类问题相对应的判别分析
17.2　 充分降维

第18章 迁移学习
18.1　 协变量移位下的迁移学习
18.2　 类别平衡变化下的迁移学习

第19章 多任务学习
19.1　 使用最小二乘回归的多任务学习
19.2　 使用最小二乘概率分类器的多任务学习
19.3　 多次维输出函数的学习

第VI部分　结 语

第20章 总结与展望
       参考文献

��