学习 ¶

Chap18 样例学习 ¶

学习形式 ¶

• 无监督学习
• 强化学习
• 监督学习

监督学习 ¶

给定由 N 个“输入 - 输出”对样例组成的训练集

发现一个函数 h 使其逼近真实函数

分类：输出 y 值集为有限集合。特别地，当值集仅含两个元素，称为布尔或二元分类。 回归：y值是数值型的。

学习决策树 ¶

决策树表示法 ¶

决策树表示一个函数，以属性值向量作为输入，返回决策——简单输出值。

决策树的表达能力 ¶

每个 Path 是对应路径上“属性 - 值”测试的合取式，布尔决策树等价于析取范式

从样例归纳决策树 ¶

贪婪 divide-and-conquer 策略

选择测试属性 ¶

根结点在可选属性中具有最大的信息收益

泛化与过度拟合 ¶

剪枝

拓展决策树的应用 ¶

评估和选择最佳假说 ¶

模型选择：复杂性相对良好拟合性 ¶

从误差率到损耗 ¶

正则化 ¶

学习理论 ¶

带线性模型的回归和分类 ¶

单变量线性回归 ¶

多变量线性回归 ¶

带硬阈值的线性分类器 ¶

带 Logistic 回归的线性分类器 ¶

人工神经网 ¶

神经网络结构 ¶

单层前馈神经网络（感知器）¶

多层前馈神经网络 ¶

多层网络中的学习 ¶

学习神经网络的结构 ¶

非参数化模型 ¶

最近邻模型 ¶

用 k-d 树发现最近邻 ¶

区域相关哈希（散列）¶

非参数化回归 ¶

支持向量机 ¶

组合学习 ¶

机器学习实例 ¶

Chap19 学习中的知识 ¶

学习的逻辑公式化 ¶

学习中的知识 ¶

基于解释的学习 ¶

使用相关性信息学习 ¶

归纳逻辑程序设计 ¶

Chap20 学习概率模型 ¶

统计学习 ¶

带完整数据的学习 ¶

隐变量学习：EM 算法 ¶

Chap21 强化学习 ¶

引言 ¶

被动强化学习 ¶

主动强化学习 ¶

强化学习中的泛化 ¶

策略搜索 ¶

强化学习的应用 ¶

评论区