本书展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。本书综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。本书可作为计算机专业 本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。

出版者的话
专家指导委员会
译者序
前言
第1章  引言
  1.1　学习问题的标准描述
  1.2　设计一个学习系统
    1.2.1  选择训练经验
    1.2.2  选择目标函数
    1.2.3　选择目标函数的表示
    1.2.4　选择函数逼近算法
    1.2.5　最终设计
  1.3　机器学习的一些观点和问题
  1.4　如何阅读本书
  1.5　小结和补充读物
  习题
第2章  概念学习和一般到特殊序
  2.1　简介
  2.2　概念学习任务
    2.2.1　术语定义
    2.2.2　归纳学习假设
  2.3　作为搜索的概念学习
  2.4　FIND-S：寻找极大特殊假设
  2.5　变型空间和候选消除算法
    2.5.1　表示
    2.5.2  列表后消除算法
    2.5.3　变型空间的更简洁表示
    2.5.4　候选消除学习算法
    2.5.5　算法的举例
  2.6　关于变型空间和候选消除的说明
    2.6.1　候选消除算法是否会收敛到正确的假设
    2.6.2  下一步需要什么样的训练样例
    2.6.3　怎样使用不完全学习概念
  2.7　归纳偏置
    2.7.1　一个有偏的假设空间
    2.7.2　无偏的学习器
    2.7.3　无偏学习的无用性
  2.8　小结和补充读物
  习题
第3章　决策树学习
  3.1  简介
  3.2　决策树表示法
  3.3　决策树学习的适用问题
  3.4　基本的决策树学习算法
    3.4.1　哪个属性是最佳的分类属性
    3.4.2　举例
  3.5　决策树学习中的假设空间搜索
  3.6　决策树学习的归纳偏置
    3.6.1　限定偏置和优选偏置
    3.6.2　为什么短的假设优先
  3.7　决策树学习的常见问题
    3.7.1　避免过度拟合数据
    3.7.2  合并连续值属性
    3.7.3　属性选择的其他度量标准
    3.7.4　处理缺少属性值的训练样例
    3.7.5　处理不同代价的属性
  3.8　小结和补充读物
  习题
第4章  人工神经网络
  4.1　简介
  4.2　神经网络表示
  4.3　适合神经网络学习的问题
  4.4　感知器
    4.4.1　感知器的表征能力
    4.4.2　感知器训练法则
    4.4.3  梯度下降和delta法则
    4.4.4　小结
　　……
第5章　评估假设
第6章　贝叶斯学习
第7章　计算学习理论
第8章　基于实例的学习
第9章　遗传算法
第10章　学习规则集合
第11章　分析这习
第12章　归纳和分析学习的结合
第13章　增强学习