Машинное обучение : наука и искусство построения алгоритмов, которые извлекают знания из данных

Содержание книги "Машинное обучение : наука и искусство построения алгоритмов, которые извлекают знания из данных"

Предисловие
Как читать эту книгу
Благодарности
Пролог: пример машинного обучения
1. Ингредиенты машинного обучения
1.1 Задачи: проблемы, решаемые методами машинного обучения
В поисках структуры
Оценка качества решения задачи
1.2 Модели: результат машинного обучения
Геометрические модели
Вероятностные модели
Логические модели
Группировка и ранжирование
1.3 Признаки: рабочая лошадка машинного обучения
Два способа использования признаков
Отбор и преобразование признаков
Взаимодействие между признаками
1.4 Итоги и перспективы
Что будет в книге дальше
2. Бинарная классификация и родственные задачи
2.1 Классификация
Оценка качества классификации
Наглядное представление качества классификации
2.2 Оценивание и ранжирование
Оценка и визуализация качества ранжирования
Преобразование ранжировщика в классификатор
2.3. Оценивание вероятностей классов
Качество оценивания вероятностей классов
Преобразование ранжировщиков в оценки вероятностей классов
2.4 Бинарная классификация и родственные задачи: итоги и дополнительная литература
3. За пределами бинарной классификации
3.1 Когда классов больше двух
Многоклассовая классификация
Многоклассовые оценки и вероятности
3.2 Регрессия
3.3 Обучение без учителя и дескриптивные модели
Прогностическая и дескриптивная кластеризация
Другие дескриптивные модели
3.4 За пределами бинарной классификации: итоги и литература для дальнейшего чтения
4. Концептуальное обучение
4.1 Пространство гипотез
Наименьшее обобщение
Внутренняя дизъюнкция
4.2 Пути в пространстве гипотез
Наиболее общие непротиворечивые гипотезы
Замкнутые концепты
4.3 За пределами конъюнктивных концептов
Применение логики первого порядка
4.4 Обучаемость
4.5 Концептуальное обучение: итоги и литература для дальнейшего чтения
5. Древовидные модели
5.1 Решающие деревья
5.2 Деревья ранжирования и оценивания вероятностей
Чувствительность к асимметричному распределению по классам
5.3 Обучение деревьев как уменьшение дисперсии
Деревья регрессии
Кластеризующие деревья
5.4 Древовидные модели: итоги и литература для дальнейшего чтения
6. Модели на основе правил
6.1 Обучение упорядоченных списков правил
Списки правил для ранжирования и оценивания вероятностей
6.2 Обучение неупорядоченных множеств правил
Применение множеств правил для ранжирования и оценивания
вероятностей
Более пристальный взгляд на перекрытие правил
6.3 Обучение дескриптивных моделей на основе правил
Обучение правил для выявления подгрупп
Добыча ассоциативных правил
6.4 Обучение правил первого порядка
6.5 Модели на основе правил: итоги и литература для дальнейшего чтения
7. Линейные модели
7.1 Метод наименьших квадратов
Многомерная линейная регрессия
Регуляризованная регрессия
Применение регрессии по методу наименьших квадратов к задаче классификации
7.2 Перцептрон
7.3 Метод опорных векторов
Метод опорных векторов с мягким зазором
7.4 Получение вероятностей от линейных классификаторов
7.5 За пределами линейности – ядерные методы
7.6 Линейные модели: итоги и литература для дальнейшего чтения
8. Метрические модели
8.1 Так много дорог
8.2 Соседи и эталоны
8.3 Классификация по ближайшему соседу
8.4 Метрическая кластеризация
Алгоритм K средних
Кластеризация вокруг медоидов
Силуэты
8.5 Иерархическая кластеризация
8.6 От ядер к расстояниям
8.7 Метрические модели: итоги и литература для дальнейшего чтения
9. Вероятностные модели
9.1 Нормальное распределение и его геометрические интерпретации
9.2 Вероятностные модели для категориальных данных
Использование наивной байесовской модели для классификации
Обучение наивной байесовской модели
9.3 Дискриминантное обучение путем оптимизации условного правдоподобия
9.4 Вероятностные модели со скрытыми переменными
EM-алгоритм
Гауссовы смесовые модели
9.5 Модели на основе сжатия
9.6 Вероятностные модели: итоги и литература для дальнейшего чтения
10. Признаки
10.1 Виды признаков
Вычисления с признаками
Категориальные, порядковые и количественные признаки
Структурированные признаки
10.2 Преобразования признаков
Задание порога и дискретизация
Нормировка и калибровка
Неполные признаки
10.3 Конструирование и отбор признаков
Преобразование и разложение матриц
10.4 Признак: итоги и литература для дальнейшего чтения
11. Ансамбли моделей
11.1 Баггинг и случайные леса
11.2 Усиление
Обучение усиленных правил
11.3 Карта ансамблевого ландшафта
Смещение, дисперсия и зазоры
Другие ансамблевые методы
Метаобучение
11.4 Ансамбли моделей: итоги и литература для дальнейшего чтения
12. Эксперименты в машинном обучении
12.1 Что измерять
12.2 Как измерять
12.3 Как интерпретировать
Интерпретация результатов, полученных на нескольких наборах
данных
12.4 Эксперименты в машинном обучении: итоги и литература для дальнейшего чтения
Эпилог: что дальше?
Что нужно запомнить
Библиография
Предметный указатель