《西瓜书》笔记-第0章-引言

本人为某985学生，想在CSDN上发表一些自己的阅读笔记、阅读体会，一方面是为了整理自己所学知识，达到重新梳理，复习的作用，一方面是可能在一定程度上能够帮助网友们，非常希望志同道合的朋友们能发表一些意见，或在我思路、理解上有误的地方及时指出。

我所阅读的书籍名字为《机器学习》，由周志华老师著作。个人感觉，这本书内容是从基础知识层面上覆盖机器学习的各个领域，文章内容阅读起来比较容易，配合《南瓜书》可以理解一些公式推导，作为一本机器学习入门书籍很恰当。

全书一共分为16个章节，整体上分为三个部分，第一部分：第1~3章，主要介绍机器学习的基本术语与基础知识；第二部分：第4~10章，主要介绍机器学习的各个分支与主要的机器学习的方法；第三部分：第11-16章，主要介绍进阶知识。（但是个人感觉，第二部分和第三部分都在讲解机器学习的各种方法）。

---

附上《西瓜书》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  全局最小与局部最小

5.5  其他常见神经网络

5.6  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临近学习

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  隐马尔可夫模型

14.2  马尔可夫随机场

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