出版者的话
译者序
前言
致谢
第1章  引论
  1.1 什么是学习
  1.2 什么时候需要机器学习
  1.3 学习的种类
  1.4 与其他领域的关系
  1.5 如何阅读本书
  1.6 符号
第一部分  理论基础
第2章  简易入门
  2.1 一般模型——统计学习理论框架
  2.2 经验风险最小化
  2.3 考虑归纳偏置的经验风险最小化
  2.4 练习
第3章  一般学习模型
  3.1 PAC学习理论
  3.2 更常见的学习模型
    3.2.1 放宽可实现假设——不可知PAC学习
    3.2.2 学习问题建模
  3.3 小结
  3.4 文献评注
  3.5 练习
第4章  学习过程的一致收敛性
  4.1 一致收敛是可学习的充分条件
  4.2 有限类是不可知PAC可学习的
  4.3 小结
  4.4 文献评注
  4.5 练习
第5章  偏差与复杂性权衡
  5.1 “没有免费的午餐”定理
  5.2 误差分解
  5.3 小结
  5.4 文献评注
  5.5 练习
第6章  VC维
  6.1 无限的类也可学习
  6.2 VC维概述
  6.3 实例
    6.3.1 阈值函数
    6.3.2 区间
    6.3.3 平行于轴的矩形
    6.3.4 有限类
    6.3.5 VC维与参数个数
  6.4 PAC学习的基本定理
  6.5 定理6.7的证明
    6.5.1 Sauer引理及生长函数
    6.5.2 有小的有效规模的类的一致收敛性
  6.6 小结
  6.7 文献评注
  6.8 练习
第7章  不一致可学习
  7.1 不一致可学习概述
  7.2 结构风险最小化
  7.3 最小描述长度和奥卡姆剃刀
  7.4 可学习的其他概念——一致收敛性
  7.5 探讨不同的可学习概念
  ……
第8章  学习的运行时间
第二部分  从理论到算法
第9章  线性预测
第10章  boosting
第11章  模型选择与验证
第12章  凸学习问题
第13章  正则化和稳定性
第14章  随机梯度下降
第15章  支持向量机
第16章  核方法
第17章  多分类、排序与复杂预测问题
第18章  决策树
第19章  最近邻
第20章  神经元网络
第三部分  其他学习模型
第21章  在线学习
第22章  聚类
第23章  维度约简
第24章  生成模型
第25章  特征选择与特征生成
第四部分  高级理论
第26章  拉德马赫复杂度
第27章  覆盖数
第28章  学习理论基本定理的证明
第29章  多分类可学习性
第30章  压缩界
第31章  PAC-贝叶斯
附录A  技术性引理
附录B  测度集中度
附录C  线性代数
参考文献
索引