第1章 引言
1.1 分类问题与机器学习
1.2 提升法
1.2.1 一个“玩具”例子
1.2.2 算法的实验性能
1.2.3 一个医学诊断的例子
1.3 抗过拟合与间隔理论
1.4 基础理论与算法
1.5 小结
1.6 参考资料
1.7 练习
第一部分 算法核心分析
第2章 机器学习基础
2.1 机器学习直接分析方法
2.1.1 学习的充分条件
2.1.2 与另外一种算法的比较
2.2 通用分析方法
2.2.1 一个假设
2.2.2 有限假设空间
2.2.3 无限假设空间
2.2.4 更抽象的公式
2.2.5 一致性假设
2.2.6 基于压缩的界
2.2.7 讨论
2.3 提升法研究基础
2.3.1 性能的绝对保证
2.3.2 弱可学习与提升法
2.3.3 分析提升法的方法
2.4 小结
2.5 参考资料
2.6 练习
第3章 用AdaBoost最小化训练误差
3.1 AdaBoost算法训练误差的界
3.2 弱可学习的充分条件
3.3 与切诺夫界的关系
3.4 基学习算法的设计和使用
3.4.1 使用样本的权重
3.4.2 算法设计
3.4.3 在人脸识别中的应用
3.5 小结
3.6 参考资料
3.7 练习
第4章 泛化误差的直接界
4.1 基于VC理论的泛化误差的界
4.1.1 基本假设
4.1.2 AdaBoost分类器的形式与复杂度
4.1.3 有限基假设空间
4.1.4 无限基分类器空间
4.2 基于压缩的界
4.2.1 主要思想
4.2.2 混合压缩模式
4.2.3 应用到AdaBoost
4.3 强学习与弱学习的等价性
4.4 小结
4.5 参考资料
4.6 练习
第5章 用间隔理论解释提升法的有效性
5.1 间隔作为置信度的度量
5.2 泛化误差的基于间隔的分析
5.2.1 直观感受
5.2.2 有限基假设空间
5.2.3 无限基假设空间
5.3 基于Rademacher复杂度的分析
5.4 提升法对间隔分布的影响
5.4.1 AdaBoost间隔的界
5.4.2 更积极的间隔最大化
5.4.3 弱可学习的充分必要条件
5.5 偏差、方差和稳定性
5.6 与支持向量机的关系
5.6.1 支持向量机概览
5.6.2 与提升法的比较
5.7 间隔的实际应用
5.7.1 为了获得更高的准确率拒绝低置信度的预测
5.7.2 主动学习
5.8 小结
5.9 参考资料
5.10 练习
……
第二部分 基本观点
第三部分 算法扩展
第四部分 高级理论
约夫·弗雷德（Yoav Freund）,纽约微软主任研究员。 罗伯特·夏皮雷（Robert. E. Schapire）,加利福尼亚大学圣迭戈分校计算机科学与工程系教授。 他们因为在提升法方面的研究工作，获得了2003 年的哥德尔奖和2004 年的ACM Kanellakis 理论与实践奖。
本书主要介绍一种机器学习算法——提升法，主要关注其基础理论和算法，也兼顾了应用。
全书共14章，分为4个部分。首先给出机器学习算法及其分析的概要介绍，然后第一部分重点探究了提升法的核心理论及其泛化能力。第二部分主要介绍了有助于理解和解释提升法的其他理论，包括基于博弈论的解释、贪心算法、迭代投射算法，并与信息几何学和凸优化建立了联系。第三部分主要介绍利用基于置信度的弱预测的AdaBoost算法的实用扩展，并用于解决多类别分类问题和排序问题。第四部分讨论了高级理论话题，包括AdaBoost算法、最优提升法和连续时间下的提升法之间的统计一致性。附录部分介绍了所需高级的数学概念。
本书适合对提升法感兴趣的读者，本书每章都附有练习，因此也适用于高等院校相关课程的教学。
1.本书是提升法的创始人、哥德尔奖得主的代表作； 2.将提升法背后的各种理论举重若轻、抽丝剥茧、深入浅出地详加介绍； 3.充分考虑入门读者的需求，对所有材料都进行了适当的裁剪，每章后附有练习题； 4.书中有大量的应用实例和插图； 5.提供书中彩图文件。 提升法（boosting）是一种机器学习方法，其思想是通过组合许多较弱的、不准确的“经验法则”来创建一个高度的预测器。围绕提升法已发展出丰富的理论，涉及一系列的主题，包括统计学、博弈论、凸优化以及信息几何学。提升法也在生物学、计算机视觉和语音处理等领域获得了成功应用。 本书由提升法的提出者、罗伯特·夏皮雷（Robert. E. Schapire）和约夫·弗雷德（Yoav Freund）亲自执笔，汇集、组织、简化并实质性扩充了关于提升法的研究成果，以不同背景的读者都可以轻松阅读并理解的方式来呈现提升法的理论及其实践，同时也为研究人员提供了权威参考。本书充分考虑入门读者的需求，对所有的材料都进行了适当的裁剪，并在每章后都附有练习，因而适合作为相关教材使用。 本书首先对机器学习算法及其分析方法作了概要性介绍；然后探讨了提升法的核心理论，是它的泛化能力；考察了有助于理解和解释提升法的许多理论观点；提供了提升法的实用扩展以解决更复杂的学习问题；*后提出了一些理论。大量的应用实例和插图贯穿其中。 本书适合任何对机器学习算法、提升法感兴趣的读者，也适合作为高等院校相关课程的教材。 专家评论 这本书是的精神“担架”，值得好好阅读以及多次重读，即使是非专业人士。 ——ACM 的Computing Reviews 一言以蔽之，这是我读过的关于机器学习的*好的书之一…… ——Bactra 评论 对于那些希望在机器学习领域工作的人来说，本书提供了清晰而有见地的观点，在机 器学习的经典著作和研究人员的书架上都应该占有一席之地。 ——Giles Hooker 美国统计协会 Robert Schapire 和Yoav Freund 提出的提升法在机器学习和统计学习方面产生 了巨大的影响，它经受住了时间的考验。关于为什么提升法如此有效，人们进行了热烈的讨论，现在还没有定论。这本来自“大师”的书，其各方面的内容十分均衡，涵盖了提升法的各个研究视角，能够帮助读者快速地享受该领域丰富研究成果。 ——Trevor Hastie 斯坦福大学统计系 提升法提供了一个思考和设计机器学习算法的平台，已有20 多年的历史。提升法背后简单而优雅的思想就像是神奇的魔镜，研究人员可以从多个不同的角度来看待它。这本书将这些观点地结合在一起，是机器学习研究的重要参考资料。 ——John Lafferty 芝加哥大学和卡内基梅隆大学
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
