机器学习理论与算法PDF|Epub|txt|kindle电子书版本网盘下载

机器学习理论与算法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1什么是机器学习1

1.1.1信息爆炸1

1.1.2学习的定义2

1.1.3机器学习定义3

1.2机器学习的发展史4

1.3机器学习的发展现状5

1.4机器学习的策略与模型7

1.4.1机器学习策略7

1.4.2机器学习系统的基本模型9

1.5机器学习的相关方法11

1.5.1算法类型11

1.5.2具体方法13

1.6本书的内容安排15

参考文献16

第2章 统计学习理论与支持向量机算法18

2.1引言18

2.2统计学习理论18

2.2.1统计学习理论的形成与发展18

2.2.2统计学习理论的主要内容19

2.2.3学习过程的一致性及收敛速度20

2.2.4函数集的VC维22

2.2.5结构风险最小化归纳原则24

2.3支持向量机27

2.3.1支持向量机的形成与发展27

2.3.2支持向量机的主要内容30

2.3.3基本的支持向量机算法32

2.3.4变形的支持向量机算法38

2.3.5优化的支持向量机算法41

2.3.6多分类的支持向量机算法43

2.3.7支持向量机聚类算法45

2.4本章小结48

参考文献49

附录51

第3章 构造性机器学习理论与覆盖算法56

3.1引言56

3.1.1传统的神经网络存在的问题56

3.1.2构造性机器学习方法的提出57

3.1.3构造性机器学习覆盖算法与支持向量机的区别58

3.2覆盖问题的描述及理论基础59

3.2.1覆盖问题的描述59

3.2.2覆盖算法的理论基础60

3.3覆盖模型及其算法的分析62

3.3.1领域覆盖算法62

3.3.2交叉覆盖算法66

3.3.3覆盖算法的改进措施70

3.3.4多侧面递进算法81

3.3.5核覆盖算法85

3.3.6概率模型覆盖算法91

3.4本章小结95

参考文献96

附录100

第4章 集成学习与弱可学习理论121

4.1引言121

4.2集成学习的发展和现状121

4.3集成学习的产生背景和主要作用123

4.4集成学习的主要内容125

4.4.1 PAC理论125

4.4.2强可学习与弱可学习理论125

4.4.3集成学习的基本概念126

4.4.4集成学习的算法框架127

4.5 AdaBoost133

4.5.1 AdaBoost算法训练误差的上界134

4.5.2训练轮数T的确定135

4.5.3基于泛化误差上界的分析135

4.5.4基于优化理论的分析137

4.6 AdaBoost.M1137

4.7 AdaBoost.M2139

4.8 Bagging142

4.9 Stacking144

4.10选择性集成145

4.10.1选择性集成的提出145

4.10.2选择性集成的理论基础147

4.10.3 GASEN150

4.10.4选择性集成的发展151

4.11集成学习的应用152

4.12本章小结155

参考文献156

附录163

第5章 数据流的概念获取与增量学习164

5.1引言164

5.2数据流164

5.2.1数据流与流形学习的概念164

5.2.2数据流的性质165

5.2.3数据流的特征165

5.2.4数据流处理模型166

5.2.5数据流的基本技术167

5.2.6数据流上的应用170

5.3数据流分类171

5.3.1数据流的分类问题171

5.3.2现有数据流上的分类算法171

5.4数据流的概念漂移173

5.4.1概念漂移定义174

5.4.2概念漂移类型175

5.4.3概念漂移检测175

5.4.4概念漂移与数据流分类的关系176

5.4.5概念漂移的处理方法177

5.5增量学习178

5.5.1支持向量机增量学习算法178

5.5.2基于覆盖的增量学习181

5.6本章小结188

参考文献189

附录190

第6章 人工神经网络之遗传算法193

6.1引言193

6.2遗传算法的仿生学基础193

6.2.1生物遗传及其变异193

6.2.2进化194

6.3遗传算法简介195

6.3.1发展史195

6.3.2遗传算法196

6.4基本遗传算法198

6.4.1基本遗传算法描述198

6.4.2基本遗传操作201

6.4.3基本遗传算法的形式化定义204

6.4.4基本遗传算法的应用举例204

6.5遗传算法的理论基础209

6.5.1模式209

6.5.2选择操作对模式的影响210

6.5.3交叉操作对模式的影响211

6.5.4变异操作对模式的影响211

6.6本章小结212

参考文献213

附录214

第7章 决策树与贝叶斯网络223

7.1决策树的形成与发展223

7.1.1决策树的定义223

7.1.2决策树的优缺点224

7.2决策树的基本原理：统计学角度225

7.3决策树经典算法介绍227

7.3.1 ID3算法227

7.3.2 C4.5算法235

7.3.3 EC4.5算法236

7.3.4 CART算法236

7.3.5 SLIQ算法238

7.3.6 SPRINT算法239

7.3.7 PUBLIC算法241

7.4决策树的应用241

7.4.1决策树的适用范围241

7.4.2决策树的应用前景242

7.4.3决策树的应用举例242

7.5贝叶斯网络的形成与发展246

7.5.1贝叶斯网络的发展历史246

7.5.2贝叶斯方法的基本观点247

7.5.3贝叶斯网络的特点248

7.6贝叶斯网络原理及应用249

7.6.1贝叶斯网络249

7.6.2贝叶斯网络构造250

7.7典型贝叶斯网络学习方法及其变形250

7.7.1完整数据条件下贝叶斯网络的参数学习251

7.7.2完整数据条件下贝叶斯网络的结构学习253

7.7.3不完整数据条件下贝叶斯网络的参数学习257

7.7.4不完整数据条件下贝叶斯网络的结构学习259

7.8贝叶斯网络推理260

7.8.1贝叶斯网络精确推理算法261

7.8.2贝叶斯网络近似推理算法263

7.8.3贝叶斯网络推理算法的比较分析265

7.9贝叶斯网络的应用267

7.9.1贝叶斯网络用于分类和回归分析267

7.9.2贝叶斯网络用于不确定知识表达和推理267

7.9.3贝叶斯网络在因果数据挖掘上的应用及展望267

7.9.4贝叶斯网络用于聚类模式发现268

7.9.5基于贝叶斯网络的遗传算法268

7.9.6基于贝叶斯网络的多目标优化问题269

7.10本章小结269

参考文献270

附录274