9.1 机器学习概述 9.2 符号学习 9.3 神经网络学习 9.4 知识发现与数据挖掘

6.1 机器学习概述 6.2 符号学习 6.3 神经网络学习 6.4 知识发现与数据挖掘

6.1 机器学习概述 6.2 符号学习 6.3 神经网络学习 6.4 知识发现与数据挖掘

无监督学习任务 基于原型的学习方法 EM算法 动态聚类方法 新方法

3.1 简介 定义：概念学习是指从有关某个布尔函数的输入输出训练 样例中推断出该布尔函数。 3.2 概念学习任务

概述 关注的问题 一些概念及记号 可学习性 什么是“学习” 什么是“可学习的” 假设空间复杂性对可学习性的影响 有限假设空间 无限假设空间：基于VC维的分析 无限假设空间：基于Rademacher复杂度的分析 稳定性

一. 示例学习的问题描述（见表2.1,表2.2） 二. 决策树学习（ID3算法） 1. 学习效果的衡量标准（示例学习的优化问题） 2. ID3算法： 输入：例子集（正例、反例）；

第1章 引言 第2章 监督学习 第3章 无监督学习与预处理 第4章 数据表示与特征工程 第5章 模型评估与改进 第6章 算法链与管道 第7章 处理文本数据 第8章 全书总结

• 支持向量机 • 二元线性SVM • SVM用于非线性分类 • 机器学习方法 • 人工神经网络（Artificial Neural Network, ANN） • 深度学习（Deep Learning）现状 • 经典的深度学习模型/算法 • 卷积神经网络 Convolutional Neural Networks (CNN) • 多层反馈网络 Recurrent neural Network(RNN) • 自动编码器 AutoEncoder • 受限玻尔兹曼机 Restricted Boltzmann Machine, RBM • 深度置信网络 (Deep Belief Nets，DBN）

【机器学习】弹性网络核极限学习机的多标记学习算法