01《机器学习·周志华》读书笔记

我会带着你远行 2022-04-17 00:48 609阅读 0赞

### 目录 ###

*  第1章 绪论
 *   *  1.1 引言
     *  1.2 基本术语
     *  1.3 假设空间
     *  1.4 归纳偏好
     *  1.5 发展历程
     *  1.6 应用现状
     *  1.7 阅读材料
 *  第2章 模型评估与选择
 *   *  2.1 经验误差与过拟合
     *  2.2 评估方法
     *  2.3 性能度量
     *  2.4 比较检验
     *  2.5 偏差与方差
     *  2.6 阅读材料
 *  第3章 线性模型
 *   *  3.1 基本形式
     *  3.2 线性回归
     *  3.3 对数几率回归
     *  3.4 线性判别分析
     *  3.5 多分类学习
     *  3.6 类别不平衡问题
     *  3.7 阅读材料
 *  第4章 决策树
 *   *  4.1 基本流程
     *  4.2 划分选择
     *  4.3 剪枝处理
     *  4.4 连续与缺失值
     *  4.5 多变量决策树
     *  4.6 阅读材料
 *  第5章 神经网络
 *   *  5.1 神经元模型
     *  5.2 感知机与多层网络
     *  5.3 误差逆传播算法
     *  5.4 全局最小与局部极小
     *  5.5 其他常见神经网络
     *  5.6 深度学习
     *  5.7 阅读材料
 *  第6章 支持向量机
 *   *  6.1 间隔与支持向量
     *  6.2 对偶问题
     *  6.3 核函数
     *  6.4 软间隔与正则化
     *  6.5 支持向量回归
     *  6.6 核方法
     *  6.7 阅读材料
 *  第7章 贝叶斯分类器
 *   *  7.1 贝叶斯决策论
     *  7.2 极大似然估计
     *  7.3 朴素贝叶斯分类器
     *  7.4 半朴素贝叶斯分类器
     *  7.5 贝叶斯网
     *  7.6 EM算法
     *  7.7 阅读材料
 *  第8章 集成学习
 *   *  8.1 个体与集成
     *  8.2 Boosting
     *  8.3 Bagging与随机森林
     *  8.4 结合策略
     *  8.5 多样性
     *  8.6 阅读材料
 *  第9章 聚类
 *   *  9.1 聚类任务
     *  9.2 性能度量
     *  9.3 距离计算
     *  9.4 原型聚类
     *  9.5 密度聚类
     *  9.6 层次聚类
     *  9.7 阅读材料
 *  第10章 降维与度量学习
 *   *  10.1 k近邻学习
     *  10.2 低维嵌入
     *  10.3 主成分分析
     *  10.4 核化线性降维
     *  10.5 流形学习
     *  10.6 度量学习
     *  10.7 阅读材料
 *  第11章 特征选择与稀疏学习
 *   *  11.1 子集搜索与评价
     *  11.2 过滤式选择
     *  11.3 包裹式选择
     *  11.4 嵌入式选择与L1正则化
     *  11.5 稀疏表示与字典学习
     *  11.6 压缩感知
     *  11.7 阅读材料
 *  第12章 计算学习理论
 *   *  12.1 基础知识
     *  12.2 PAC学习
     *  12.3 有限假设空间
     *  12.4 VC维
     *  12.5 Rademacher复杂度
     *  12.6 稳定性
     *  12.7 阅读材料
 *  第13章 半监督学习
 *   *  13.1 未标记样本
     *  13.2 生成式方法
     *  13.3 半监督SVM
     *  13.4 图半监督学习
     *  13.5 基于分歧的方法
     *  13.6 半监督聚类
     *  13.7 阅读材料
 *  第14章 概率图模型
 *   *  14.1 隐马尔科夫模型
     *  14.2 马尔科夫随机场
     *  14.3 条件随机场
     *  14.4 学习与推断
     *  14.5 近似推断
     *  14.6 话题模型
     *  14.7 阅读材料
 *  第15章 规则学习
 *   *  15.1 基本概念
     *  15.2 序贯覆盖
     *  15.3 剪枝优化
     *  15.4 一阶规则学习
     *  15.5 归纳逻辑程序设计
     *  15.6 阅读材料
 *  第16章 强化学习
 *   *  16.1 任务与奖赏
     *  16.2 K-摇臂赌博机
     *  16.3 有模型学习
     *  16.4 免模型学习
     *  16.5 值函数近似
     *  16.6 模仿学习
     *  16.7 阅读材料

# 第1章 绪论 #

## 1.1 引言 ##

## 1.2 基本术语 ##

## 1.3 假设空间 ##

## 1.4 归纳偏好 ##

## 1.5 发展历程 ##

## 1.6 应用现状 ##

## 1.7 阅读材料 ##

# 第2章 模型评估与选择 #

## 2.1 经验误差与过拟合 ##

## 2.2 评估方法 ##

## 2.3 性能度量 ##

## 2.4 比较检验 ##

## 2.5 偏差与方差 ##

## 2.6 阅读材料 ##

# 第3章 线性模型 #

## 3.1 基本形式 ##

## 3.2 线性回归 ##

## 3.3 对数几率回归 ##

## 3.4 线性判别分析 ##

## 3.5 多分类学习 ##

## 3.6 类别不平衡问题 ##

## 3.7 阅读材料 ##

# 第4章 决策树 #

## 4.1 基本流程 ##

## 4.2 划分选择 ##

## 4.3 剪枝处理 ##

## 4.4 连续与缺失值 ##

## 4.5 多变量决策树 ##

## 4.6 阅读材料 ##

# 第5章 神经网络 #

## 5.1 神经元模型 ##

## 5.2 感知机与多层网络 ##

## 5.3 误差逆传播算法 ##

## 5.4 全局最小与局部极小 ##

## 5.5 其他常见神经网络 ##

## 5.6 深度学习 ##

## 5.7 阅读材料 ##

# 第6章 支持向量机 #

## 6.1 间隔与支持向量 ##

## 6.2 对偶问题 ##

## 6.3 核函数 ##

## 6.4 软间隔与正则化 ##

## 6.5 支持向量回归 ##

## 6.6 核方法 ##

## 6.7 阅读材料 ##

# 第7章 贝叶斯分类器 #

## 7.1 贝叶斯决策论 ##

## 7.2 极大似然估计 ##

## 7.3 朴素贝叶斯分类器 ##

## 7.4 半朴素贝叶斯分类器 ##

## 7.5 贝叶斯网 ##

## 7.6 EM算法 ##

## 7.7 阅读材料 ##

# 第8章 集成学习 #

## 8.1 个体与集成 ##

## 8.2 Boosting ##

## 8.3 Bagging与随机森林 ##

## 8.4 结合策略 ##

## 8.5 多样性 ##

## 8.6 阅读材料 ##

# 第9章 聚类 #

## 9.1 聚类任务 ##

## 9.2 性能度量 ##

## 9.3 距离计算 ##

## 9.4 原型聚类 ##

## 9.5 密度聚类 ##

## 9.6 层次聚类 ##

## 9.7 阅读材料 ##

# 第10章 降维与度量学习 #

## 10.1 k近邻学习 ##

## 10.2 低维嵌入 ##

## 10.3 主成分分析 ##

## 10.4 核化线性降维 ##

## 10.5 流形学习 ##

## 10.6 度量学习 ##

## 10.7 阅读材料 ##

# 第11章 特征选择与稀疏学习 #

## 11.1 子集搜索与评价 ##

## 11.2 过滤式选择 ##

## 11.3 包裹式选择 ##

## 11.4 嵌入式选择与L1正则化 ##

## 11.5 稀疏表示与字典学习 ##

## 11.6 压缩感知 ##

## 11.7 阅读材料 ##

# 第12章 计算学习理论 #

## 12.1 基础知识 ##

## 12.2 PAC学习 ##

## 12.3 有限假设空间 ##

## 12.4 VC维 ##

## 12.5 Rademacher复杂度 ##

## 12.6 稳定性 ##

## 12.7 阅读材料 ##

# 第13章 半监督学习 #

## 13.1 未标记样本 ##

## 13.2 生成式方法 ##

## 13.3 半监督SVM ##

## 13.4 图半监督学习 ##

## 13.5 基于分歧的方法 ##

## 13.6 半监督聚类 ##

## 13.7 阅读材料 ##

# 第14章 概率图模型 #

## 14.1 隐马尔科夫模型 ##

## 14.2 马尔科夫随机场 ##

## 14.3 条件随机场 ##

## 14.4 学习与推断 ##

## 14.5 近似推断 ##

## 14.6 话题模型 ##

## 14.7 阅读材料 ##

# 第15章 规则学习 #

## 15.1 基本概念 ##

## 15.2 序贯覆盖 ##

## 15.3 剪枝优化 ##

## 15.4 一阶规则学习 ##

## 15.5 归纳逻辑程序设计 ##

## 15.6 阅读材料 ##

# 第16章 强化学习 #

## 16.1 任务与奖赏 ##

## 16.2 K-摇臂赌博机 ##

## 16.3 有模型学习 ##

## 16.4 免模型学习 ##

## 16.5 值函数近似 ##

## 16.6 模仿学习 ##

## 16.7 阅读材料 ##

01《机器学习·周志华》读书笔记

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关周志华机器学习：决策树

相关周志华机器学习：神经网络

相关绪论(3)--周志华机器学习学习笔记与课后习题

相关绪论(2)--周志华机器学习学习笔记与课后习题

相关 book_机器学习_周志华_脑图

相关周志华机器学习笔记

相关《机器学习》周志华读书笔记2（原创）

相关《机器学习》周志华读书笔记1（原创）

相关周志华机器学习笔记

相关 01《机器学习·周志华》读书笔记