机器学习：贝叶斯和优化方法（英文版·原书第2版）

Prefaceiv

Acknowledgmentsvi

About the Authorviii

Notationix

CHAPTER1 Introduction1

11 The Historical Context1

12 Artificia Intelligenceand Machine Learning2

13 Algorithms Can Learn WhatIs Hidden in the Data4

14 Typical Applications of Machine Learning6

Speech Recognition6

Computer Vision6

Multimodal Data6

Natural Language Processing7

Robotics7

Autonomous Cars7

Challenges for the Future8

15 Machine Learning: Major Directions8

151 Supervised Learning8

16 Unsupervised and Semisupervised Learning11

17 Structure and a Road Map of the Book12

References16

CHAPTER2 Probability and Stochastic Processes19

21 Introduction20

22 Probability and Random Variables20

221 Probability20

222 Discrete Random Variables22

223 Continuous Random Variables24

224 Meanand Variance25

225 Transformation of Random Variables28

23 Examples of Distributions29

231 Discrete Variables29

232 Continuous Variables32

24 Stochastic Processes41

241 First-and Second-Order Statistics42

242 Stationarity and Ergodicity43

243 Power Spectral Density46

244 Autoregressive Models51

25 Information Theory54

251 Discrete Random Variables56

252 Continuous Random Variables59

26 Stochastic Convergence61

Convergence Everywhere62

Convergence Almost Everywhere62

Convergence in the Mean-Square Sense62

Convergence in Probability63

Convergence in Distribution63

Problems63

References65

CHAPTER3 Learning in Parametric Modeling: Basic Concepts and Directions67

31 Introduction67

32 Parameter Estimation: the Deterministic Point of View68

33 Linear Regression71

34Classifcation75

Generative Versus Discriminative Learning78

35 Biased Versus Unbiased Estimation80

351 Biased or Unbiased Estimation"para" label-module="para">

36 The Cram閞朢ao Lower Bound83

37 Suffcient Statistic87

38 Regularization89

Inverse Probl

2100433B

本书通过讲解监督学习的两大支柱——回归和分类——将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。

本书创造性地汇编了数据挖掘技术，将统计数据挖掘和机器学习数据挖掘进行了区分，对经典和现代统计方法框架进行了扩展，以用于预测建模和大数据分析。本书在第2版的基础上新增了13章，内容涵盖数据科学发展历程、市场份额估算、无抽样调研数据预测钱包份额、潜在市场细分、利用缺失数据构建统计回归模型、十分位分析评估数据的预测能力，以及一个无须精通自然语言处理就能使用的文本挖掘工具。本书适合数据挖掘从业者以及对机器学习数据挖掘感兴趣的人阅读。

本书是数据挖掘和机器学习领域的经典畅销教材，被国内外众多名校选用。第4版新增了关于深度学习和概率方法的重要章节，同时，备受欢迎的机器学习软件Weka也再度升级。书中全面覆盖了该领域的实用技术，致力于帮助读者理解不同技术的工作方式和应用方式，从而学会在工程实践和商业项目中解决真实问题。本书适合作为高等院校相关课程的教材，同时也适合业内技术人员阅读参考。

第3版前言

第2版前言

致谢

关于作者

第1章　引论

第2章　数据处理相关学科：统计学和数据科学

第3章　变量评估的两种基本数据挖掘方法

第4章　用于评估成对变量的基于CHAID的数据挖掘方法

第5章　校直数据的简单性和可取性对建模十分重要

第6章　排序数据对称化：提高数据预测能力的统计数据挖掘方法

第7章　主成分分析：多变量评估的统计数据挖掘方法

第8章　市场份额估算：一个特殊的数据挖掘案例

第9章　相关系数在[-1, 1]内取值，是这样吗

第10章　逻辑斯谛回归：回应建模方法

第11章　无抽样调研数据预测钱包份额

第12章　普通回归：利润建模的强大工具

第13章　回归变量选择方法：可忽略的问题和重要解决方案

第14章　用CHAID解读逻辑斯谛回归模型

第15章　回归系数的重要性

第16章　相关系数均值：评估预测模型和预测变量重要性的统计数据挖掘指标

第17章　交互变量指定CHAID模型

第18章　市场细分：逻辑斯谛回归建模

第19章　市场细分：时间序列数据LCA

第20章　市场细分：理解细分群体的便捷途径

第21章　统计回归模型：理解模型的简单方法

第22章　CHAID：填充缺失值的方法

第23章　大数据建模

第24章　艺术、科学、数字和诗歌

第25章　识别最佳客户：描述性、预测性和相似性描述

第26章　营销模型评估

第27章　十分位分析：视角与效果

第28章　T-C净提升度模型：评估试验组与对照组的营销效果

第29章　自助法在营销中的应用：一种新的模型验证方法

第30章　用自助法验证逻辑斯谛回归模型

第31章　营销模型可视化：用数据深度挖掘模型

第32章　预测贡献系数：预测重要性的度量

第33章　建模是艺术、科学与诗的结合

第34章　献给数据狂的数据分析12步法

第35章　遗传回归模型与统计回归模型

第36章　数据重用：GenIQ模型的强大数据挖掘技术

第37章　数据挖掘技术——离群值的调整

第38章　过拟合的全新解决方案

第39章　回顾：为何校直数据如此重要

第40章　GenIQ模型的定义与应用

第41章　如何为营销模型选择最佳变量

第42章　解读无系数模型

第43章　文本挖掘：入门、示例及TXTDM软件

第44章　一些我比较喜欢的统计子程序

译后记 2100433B