目录
Introduction to Machine Learning，
出版者的话
译者序
前言
符号说明
第章引言
1什么是机器学习
1机器学习的应用实例
1学习关联性
1分类
1回归
1非监督学习
1增强学习
1注释
1相关资源
1习题
1参考文献
第章监督学习
2由实例学习类
2维
2概率近似正确学习
2噪声
2学习多类
2回归
2模型选择与泛化
2监督机器学习算法的维
2注释
2习题
2参考文献
第章贝叶斯决策理论
3引言
3分类
3损失与风险
3判别式函数
3关联规则
3注释
3习题
3参考文献
第章参数方法
4引言
4大似然估计
4伯努利密度
4多项式密度
4高斯（正态）密度
4评价估计：偏倚和方差
4贝叶斯估计
4参数分类
4回归
4调整模型的复杂度：偏倚方差两难选择
4模型选择过程
4注释
4习题
4参考文献
第章多元方法
5多元数据
5参数估计
5缺失值估计
5多元正态分布
5多元分类
5调整复杂度
5离散特征
5多元回归
5注释
5习题
5参考文献
第章维度归约
6引言
6子集选择
6主成分分析
6特征嵌入
6因子分析
6奇异值分解与矩阵分解
6多维定标
6线性判别分析
6典范相关分析
6等距特征映射
6局部线性嵌入
6拉普拉斯特征映射
6注释
6习题
6参考文献
第章聚类
7引言
7混合密度
7均值聚类
7期望大化算法
7潜在变量混合模型
7聚类后的监督学习
7谱聚类
7层次聚类
7选择簇个数
7注释
7习题
7参考文献
第章非参数方法
8引言
8非参数密度估计
8直方图估计
8核估计
8近邻估计
8推广到多变元数据
8非参数分类
8精简的近邻
8基于距离的分类
8离群点检测
8非参数回归：光滑模型
8移动均值光滑
8核光滑
8移动线光滑
8如何选择光滑参数
8注释
8习题
8参考文献
第章决策树
9引言
9单变量树
9分类树
9回归树
9剪枝
9由决策树提取规则
9由数据学习规则
9多变量树
9注释
9习题
9参考文献
第章线性判别式
10引言
10推广线性模型
10线性判别式的几何意义
10两类问题
10多类问题
10逐对分离
10参数判别式的进一步讨论
10梯度下降
10逻辑斯谛判别式
10两类问题
10多类问题
10回归判别式
10学习排名
10注释
10习题
10参考文献
第章多层感知器
11引言
11理解人脑
11神经网络作为并行处理的典范
11感知器
11训练感知器
11学习布尔函数
11多层感知器
11作为普适近似的
11向后传播算法
11非线性回归
11两类判别式
11多类判别式 | 
