《机器学习引论》求取 ⇩

绪言1

0.1机器学习及其研究的意义1

0.2 机器学习的应用3

0.3机器学习方法的分类5

0.3.1 基于学习策略的分类6

0.3.2 系统性分类9

0.4 一个简单的学习模型10

0.5 机器学习的历史概况14

第一章机械学习17

1.1 概述17

1.2 同机械学习有关的几个问题18

第二章示教学习21

2.1 两种示教学习系统的实现方法21

2.2 示教学习系统的实现步骤22

2.3实用化程序FOO26

2.3.1 接受有关红心游戏的建议26

2.3.2 FOO的初始知识库27

2.3.3 对“避免取点”指示的实用化过程27

2.4 小结31

第三章示例学习33

3.1概述33

3.1.1 示例学习系统的两空间模型33

3.1.2 例子空间36

3.1.3 解释过程38

3.1.4 规则空间39

3.1.5 实验计划过程48

3.2学习单个概念50

3.2.1 变型空间法51

3.2.2 求精算子法61

3.2.3 产生与测试法66

3.2.4 概要例示法69

3.3学习多个概念73

3.3.1 AQ1175

3.3.2 Meta-DENDRAL80

3.4学习完成多步任务90

3.4.1 学习完成多步任务90

3.4.2 LEX94

第四章发现学习106

4.1概述106

4.1.1 机器学习与发现106

4.1.2 数据驱动的发现学习107

4.1.3 模型驱动的发现学习108

4.2BACON系统108

4.2.1 BACON的结构109

4.2.2 BACON的不足113

4.3AM系统113

4.3.1 AM的结构114

4.3.2 AM以及对学习的“双空间”观点118

4.3.3 AM的初始知识库124

4.3.4 结果：作为数学家的AM125

4.3.5 对AM的评价127

第五章观察学习130

5.1概念聚类系统CLUSTER/2130

5.1.1 引言131

5.1.2 概念聚集134

5.1.3 算法中的术语和基本操作136

5.1.4 聚类质量的标准145

5.1.5 方法和实现147

5.1.6 一个实例：百首西班牙民歌的分类160

5.1.7 小结163

第六章解释学习165

6.1基于解释的抽象165

6.1.1 引言166

6.1.2 问题的提出和一个例子168

6.1.3 其它两个例子176

6.1.4 观点和有待解决的问题186

6.1.5 小结191

6.2基于解释的学习192

6.2.1 引言192

6.2.2 基于解释的学习与基于解释的抽象193

6.2.3 通过观察进行基于解释的学习196

6.2.4 改进抽象198

6.2.5 关于实用性标准的问题203

6.2.6 EBG算法的技术问题204

6.2.7 一些解决方法206

6.2.8 改进的基于解释的抽象方法212

6.2.9 小结216

6.3问题求解中的解释学习217

6.3.1 引言218

6.3.2 EBL目前的一些问题219

6.3.3 EBL是一种改进问题求解性能的思想222

6.3.4 PRODIGY系统225

6.3.5 EBL的组成232

6.3.6 PRODIGY系统进行学习的例子242

6.3.7 小结254

6.4从失败中进行解释学习255

6.4.1 引言256

6.4.2 技术描述257

6.4.3 结构描述262

6.4.4 有待探讨的问题262

6.4.5 相关的工作264

6.4.6 小结265

第七章类比学习266

7.1类比推理的一般模式266

7.1.1 候选类比的识别267

7.1.2 类比映射的建立269

7.1.3 类比的评价272

7.1.4 类比推理的充实276

7.2概念学习和自动推理中的类比278

7.2.1 类比学习和类比推理279

7.2.2 基于抽象的有用类比推理291

7.3问题求解和规划中的类比推理298

7.3.1 转换类比学习298

7.3.2 派生类比学习318

第八章联接学习339

8.1联接模型340

8.1.1 联接网络的表示与学习342

8.2无隐单元的联想存储343

8.2.1 线性联想器344

8.2.2 非线性联想网345

8.3多层网络的误差回归学习方法347

8.3.1 使用误差回归发现语义特性349

8.3.2 回归用于将文本翻译成语音353

8.3.3 回归用于语音识别354

8.3.4 回归方法的不足之处356

8.4Boltzmann机356

8.4.1 Boltzmann机中加强值和熵的最大化360

8.4.2 两种网络的Boltzmann机学习方法361

8.5竞争学习364

8.5.1 竞争学习364

8.5.2 竞争学习与回归的关系366

8.6 人工神经网络与符号处理计算机的对比367

第九章分类器系统和遗传算法370

9.1 引言370

9.2 概述373

9.3分类器系统375

9.3.1 定义基本要素375

9.3.2 例子377

9.4 分类器系统的问题求解机制和学习机制386

9.5 桶队列算法390

9.6 遗传算法393

9.7 和其它学习策略的比较401

9.8 小结403

第十章SOAR和聚块404

10.1 引言404

10.2主要设计原理与特征405

10.2.1 用问题空间表示任务405

10.2.2 通用子目标生成原理405

10.2.3 用产生式表示长期知识406

10.2.4 生成子目标处理死胡同406

10.2.5 用优先权表示控制搜索知识407

10.2.6 监视目标终结407