通過提供實用的建議、采用直觀的例子和對相關(guān)應(yīng)用進(jìn)行有意義的探討，本書以一種易于理解的方式介紹了機(jī)器學(xué)習(xí)的一些基礎(chǔ)性概念。主要內(nèi)容包括貝葉斯分類器、近鄰分類器、線性與多項式分類器、決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。本書后面幾章展示了如何以“提升（Boosting）”的方式將這些簡單的工具組織起來、怎樣將它們應(yīng)用于更加復(fù)雜的領(lǐng)域以及如何處理各種高難度的實際問題。有一章還專門介紹了非常流行的遺傳算法。

《機(jī)器學(xué)習(xí)導(dǎo)論》是一本淺顯易懂的機(jī)器學(xué)習(xí)入門教材，它以理論與實際相結(jié)合的方式全面地涵蓋了主流的機(jī)器學(xué)習(xí)理論與技術(shù)。全書共17章，介紹了貝葉斯分類器、近鄰分類器、線性與多項式分類器、人工神經(jīng)網(wǎng)絡(luò)、決策樹、基于規(guī)則集的分類器、遺傳算法等經(jīng)典的機(jī)器學(xué)習(xí)方法，對計算學(xué)習(xí)理論、性能評估、統(tǒng)計顯著性等進(jìn)行了討論。講解了集成學(xué)習(xí)、多標(biāo)簽學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等重要的機(jī)器學(xué)習(xí)領(lǐng)域。本書還通過大量的應(yīng)用實例，闡述了機(jī)器學(xué)習(xí)技術(shù)的許多應(yīng)用技巧。每章結(jié)尾對相關(guān)機(jī)器學(xué)習(xí)工作都進(jìn)行了歷史簡評，并附有練習(xí)、思考題和上機(jī)實驗。

Miroslav Kubat 美國邁阿密大學(xué)教授，從事機(jī)器學(xué)習(xí)教學(xué)和研究超過25年。他已發(fā)表100余篇經(jīng)過同行評審的論文，與人合編了兩本著作，是近60個會議和研討會的委員會委員，并擔(dān)任3本學(xué)術(shù)刊物的編委。他在兩個方面的前沿研究上得到了廣泛贊譽(yù)：時變概念的歸納學(xué)習(xí)和在非平衡訓(xùn)練集上的學(xué)習(xí)。此外，在多標(biāo)簽樣例上的歸納學(xué)習(xí)、層次組織的類別上的歸納學(xué)習(xí)、遺傳算法、神經(jīng)網(wǎng)絡(luò)的初始化等問題上，他也做出了很多貢獻(xiàn)。

王勇，西安交通大學(xué)博士，中國海洋大學(xué)信息學(xué)院計算機(jī)系副教授，碩士生導(dǎo)師，軟件工程教研室主任，海大惠普軟件實驗室主任，中國計算機(jī)學(xué)會會員、IEEE會員。主要從事軟件工程、軟件過程度量與管理、大數(shù)據(jù)、統(tǒng)計分析、機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘等領(lǐng)域的研究。2011-2012年間在美國南佛羅里達(dá)大學(xué)做訪問學(xué)者。近年來主持或參與包括國家自然科學(xué)基金在內(nèi)的研究課題多項，在包括IEEE Transactions、計算機(jī)學(xué)報等在內(nèi)的期刊和會議發(fā)表論文多篇。擔(dān)任美國Taylor & Francis出版集團(tuán) 《Encyclopediaof Software Engineering》審稿人，Journal of Internet Technology、British Journal of Applied Science & Technology、《電子學(xué)報》審稿人。有十余年行業(yè)軟件開發(fā)經(jīng)驗。

譯者序
原書前言
第 1章　一個簡單的機(jī)器學(xué)習(xí)任務(wù) //1
1.1　訓(xùn)練集和分類器 //1
1.2　題外話：爬山搜索 //4
1.3　機(jī)器學(xué)習(xí)中的爬山法 //6
1.4　分類器的性能 //8
1.5　可用數(shù)據(jù)的困難 //9
1.6　小結(jié)和歷史簡評 //11
1.7　鞏固知識 //11
第 2章　概率：貝葉斯分類器 //14
2.1　單屬性的情況 //14
2.2　離散屬性值的向量 //17
2.3　稀少事件的概率：利用專家的直覺 //20
2.4　如何處理連續(xù)屬性 //23
2.5　高斯鐘形函數(shù)：一個標(biāo)準(zhǔn)的 pdf //24
2.6　用高斯函數(shù)的集合近似 pdf //26
2.7　小結(jié)和歷史簡評 //30
2.8　鞏固知識 //30
第 3章　相似性：最近鄰分類器 //32
3.1　k近鄰法則 //32
3.2　度量相似性 //34
3.3　不相關(guān)屬性與尺度縮放問題 //36
3.4　性能方面的考慮 //39
3.5　加權(quán)最近鄰 //41 3.6　移除危險的樣例 //42
3.7　移除多余的樣例 //44
3.8　小結(jié)和歷史簡評 //46
3.9　鞏固知識 //46
第 4章　類間邊界：線性和多項式分類器 //49
4.1　本質(zhì) //49
4.2　加法規(guī)則：感知機(jī)學(xué)習(xí) //51
4.3　乘法規(guī)則： WINNOW //55
4.4　多于兩個類的域 //58
4.5　多項式分類器 //60
4.6　多項式分類器的特殊方面 //62
4.7　數(shù)值域和 SVM //63
4.8　小結(jié)和歷史簡評 //65
4.9　鞏固知識 //66
第 5章　人工神經(jīng)網(wǎng)絡(luò) //69
5.1　作為分類器的多層感知機(jī) //69
5.2　神經(jīng)網(wǎng)絡(luò)的誤差 //72
5.3　誤差的反向傳播 //73
5.4　多層感知機(jī)的特殊方面 //77
5.5　結(jié)構(gòu)問題 //79
5.6　RBF網(wǎng)絡(luò) //81
5.7　小結(jié)和歷史簡評 //83
5.8　鞏固知識 //84
第 6章　決策樹 //86
6.1　作為分類器的決策樹 //86
6.2　決策樹的歸納學(xué)習(xí) //89
6.3　一個屬性承載的信息 //91
6.4　數(shù)值屬性的二元劃分 //94
6.5　剪枝 //96
6.6　將決策樹轉(zhuǎn)換為規(guī)則 //99
6.7　小結(jié)和歷史簡評 //101
6.8　鞏固知識 //101
第 7章　計算學(xué)習(xí)理論 //104
7.1　PAC學(xué)習(xí) //104
7.2　PAC可學(xué)習(xí)性的實例 //106
7.3　一些實踐和理論結(jié)果 //108
7.4　VC維與可學(xué)習(xí)性 //110
7.5　小結(jié)和歷史簡評 //112
7.6　鞏固知識 //112
第 8章　典型案例 //114
8.1　字符識別 //114
8.2　溢油檢測 //117
8.3　睡眠分類 //119
8.4　腦機(jī)界面 //121
8.5　醫(yī)療診斷 //124
8.6　文本分類 //126
8.7　小結(jié)和歷史簡評 //127
8.8　鞏固知識 //128
第 9章　投票組合簡介 //130
9.1　“Bagging”方法 //130
9.2　“Schapire’s Boosting”方法 //132
9.3　“Adaboost”方法： “Boosting”方法的實用版本 //134
9.4　“Boosting”方法的變種 //138
9.5　該方法的計算優(yōu)勢 //139
9.6　小結(jié)和歷史簡評 //141
9.7　鞏固知識 //141
第 10章　了解一些實踐知識 //143
10.1　學(xué)習(xí)器的偏好 //143
10.2　不平衡訓(xùn)練集 //145
10.3　語境相關(guān)域 //148
10.4　未知屬性值 //150
10.5　屬性選擇 //152
10.6　雜項 //154
10.7　小結(jié)和歷史簡評 //155
10.8　鞏固知識 //156
第 11章　性能評估 //158
11.1　基本性能標(biāo)準(zhǔn) //158
11.2　精度和查全率 //160
11.3　測量性能的其他方法 //163
11.4　學(xué)習(xí)曲線和計算開銷 //166
11.5　實驗評估的方法 //167
11.6　小結(jié)和歷史簡評 //169
11.7　鞏固知識 //170
第 12章　統(tǒng)計顯著性 //173
12.1　總體抽樣 //173
12.2　從正態(tài)分布中獲益 //176
12.3　置信區(qū)間 //178
12.4　一個分類器的統(tǒng)計評價 //180
12.5　另外一種統(tǒng)計評價 //182
12.6　機(jī)器學(xué)習(xí)技術(shù)的比較 //182
12.7　小結(jié)和歷史簡評 //184
12.8　鞏固知識 //185
第 13章　多標(biāo)簽學(xué)習(xí) //186
13.1　經(jīng)典機(jī)器學(xué)習(xí)框架下的多標(biāo)簽
問題 //186
13.2　單獨處理每類數(shù)據(jù)的方法：二元相關(guān)法 //188
13.3　分類器鏈 //190
13.4　另一種方法：層疊算法 //191
13.5　層次有序類的簡介 //192
13.6　類聚合 //194
13.7　分類器性能的評價標(biāo)準(zhǔn) //196
13.8　小結(jié)和歷史簡評 //198
13.9　鞏固知識 //199
第 14章　無監(jiān)督學(xué)習(xí) //202
14.1　聚類分析 //202
14.2　簡單算法： k均值 //204
14.3　k均值的高級版 //207
14.4　分層聚集 //209
14.5　自組織特征映射：簡介 //211
14.6　一些重要的細(xì)節(jié) //213
14.7　為什么要特征映射 //214
14.8　小結(jié)和歷史簡評 //215
14.9　鞏固知識 //216
第 15章　規(guī)則集形式的分類器 //218
15.1　由規(guī)則描述的類別 //218
15.2　通過序列覆蓋歸納規(guī)則集 //220
15.3　謂詞與循環(huán) //222
15.4　更多高級的搜索算子 //224
15.5　小結(jié)和歷史簡評 //225
15.6　鞏固知識 //225
第 16章　遺傳算法 //227
16.1　基本遺傳算法 //227
16.2　個體模塊的實現(xiàn) //229
16.3　為什么能起作用 //231
16.4　過早退化的危險 //233
16.5　其他遺傳算子 //234
16.6　高級版本 //235
16.7　kNN分類器的選擇 //237
16.8　小結(jié)和歷史簡評 //239
16.9　鞏固知識 //240
第 17章　強(qiáng)化學(xué)習(xí) //241
17.1　如何選出最高獎勵的動作 //241
17.2　游戲的狀態(tài)和動作 //243
17.3　SARSA方法 //245
17.4　小結(jié)和歷史簡評 //245
17.5　鞏固知識 //246
參考文獻(xiàn) //247