* 1章 簡明學習問題… ……………………………………………………1
1.1 歸納推理和演繹推理的基礎……………………………………………………2
1.2 你曾遇到這些事情嗎？…………………………………………………………3
1.3 釋放歸納的力量…………………………………………………………………3
1.4 推斷的陰陽之道…………………………………………………………………4
1.5 學習問題的三大要素……………………………………………………………4
1.6 從數據中學習的目標……………………………………………………………6
1.7 闡明選擇標準……………………………………………………………………7
1.8 學習任務的選擇…………………………………………………………………8
附注………………………………………………………………………………………9
* 2章 監督學習………………………………………………………13
2.1 有效分類的基本要素……………………………………………………………13
2.2 如何確定假設類彆的答案………………………………………………………15
2.3 監督學習的兩個核心方法………………………………………………………16
2.3.1 生成算法的關鍵…………………………………………………………16
2.3.2 理解判彆算法……………………………………………………………17
2.4 什麼是貝葉斯分類器……………………………………………………………17
誤差下界…………………………………………………………………………19
2.5 評估貝葉斯誤差的兩種簡單技巧………………………………………………19
2.5.1 Mahalanobis技巧……………………………………………………19
2.5.2 Bhattacharyya技巧…………………………………………………20
2.6 如何釋放樸素貝葉斯分類器的力量……………………………………………21
一個建立直覺的例子……………………………………………………………22
2.7 樸素貝葉斯分類器的R極簡建立方法…………………………………………24
2.7.1 一個模擬的例子… …………………………………………………………24
2.7.2 甲狀腺數據的分析………………………………………………………28
2.8 如何利用k-近鄰算法的價值…………………………………………………33
2.8.1 深化理解的例子…………………………………………………………34
2.8.2 k近鄰的R直接方法……………………………………………………37
2.8.3 如何決定k的* 優值……………………………………………………42
2.9 綫性判彆分析的關鍵……………………………………………………………42
2.9.1 求解廣義特徵值問題…………………………………………………44
2.9.2 R判彆分析的基本要素…………………………………………………45
2.9.3 檢查你想要的模型類型………………………………………………49
2.9.4 不要止步於綫性判彆分析………………………………………………50
2.10 邏輯迴歸分類的秘密……………………………………………………………51
建立R邏輯迴歸分類器的簡便方法……………………………………………53
2.11 激勵創意和激情的超級好主意…………………………………………………57
附注………………………………………………………………………………………59
第3章 無監督學習……………………………………………………68
3.1 無監督學習簡介…………………………………………………………………68
3.2 兩種核心方法及其工作原理……………………………………………………69
3.3 無監督學習的應用技術及R實現………………………………………………70
3.4 無監督學習的典型例子，你可以模仿學習……………………………………85
3.4.1 數據（圖像）預處理……………………………………………………86
3.4.2 處理圖像中的噪聲………………………………………………………86
3.4.3 顱骨“剝離”……………………………………………………………87
3.4.4 完 美組閤…………………………………………………………………87
附注……………………………………………………………………………………89
第4章 半監督學習……………………………………………………91
4.1 未標記數據的作用………………………………………………………………92
4.2 一緻性假設……………………………………………………………………94
4.3 嘗試半監督學習的極簡方法…………………………………………………94
4.4 自學習算法………………………………………………………………………95
4.5 基於半監督模型的R學習……………………………………………………98
4.6 使用土地分類掌握這種實踐說明… ……………………………………………102
附注……………………………………………………………………………………105
第5章 統計學習理論…………………………………………………108
5.1 Vapnik-Chervonenkis泛化界……………………………………………109
5.2 什麼是Vapnik-Chervonenkis維…………………………………………110
5.3 結構風險* 小化的關鍵………………………………………………………113
5.4 實踐中使用統計學習理論的* 佳建議………………………………………114
5.5 如何精通支持嚮量機…………………………………………………………115
5.6 支持嚮量機的本質……………………………………………………………116
鬆弛的處理……………………………………………………………………117
5.7 如何建立R支持嚮量機………………………………………………………118
附注……………………………………………………………………………………120
第6章 模型選擇………………………………………………………122
6.1 模型的快速改進………………………………………………………………122
6.2 一個價值500萬美元的小錯誤………………………………………………124
6.3 “天下沒有免費午餐”定理之三大關鍵教訓…………………………………125
6.4 什麼是偏差和方差權衡………………………………………………………127
6.4.1 可約誤差………………………………………………………………128
6.4.2 偏差……………………………………………………………………129
6.4.3 方差……………………………………………………………………130
6.5 你的模型犯過這種錯嗎？……………………………………………………131
6.6 留齣技術的秘密………………………………………………………………132
6.7 有效交叉驗證的藝術…………………………………………………………134
6.7.1 k-摺交叉驗證………………………………………………………134
6.7.2 一個R案例……………………………………………………………135
6.7.3 留一驗證………………………………………………………………138
附注……………………………………………………………………………………140
恭喜你！……………………………………………………………………142
· · · · · · (收起)