內容介紹
本書展示了機器學習中的核心算法和理論，並闡明了算法的過行過程。書中主要涵蓋了目前機器學習中各種最實用的理論和算法，包括概念學習、決策樹、神經網路、貝葉斯學習、基於實例的學習、遺傳算法、規則學習、基於解釋的學習和增強學習等。對每一個主題，作者不僅進行了十分詳盡和直觀的解釋，還給出了實用的算法流程。本書被卡內基梅隆等許多大學作為機器學習課程的教材。機器學習這門學科研究的是能通過經驗自動改進的計算機算法，其套用從數據挖掘程式到信息過濾系統，再到自動機工具，已經非常豐富。機器學習從很多學科吸收了成果和概念，包括人工智慧、概論論與數理統計、哲學、資訊理論、生物學、認知科學和控制論等，並以此來理解問題的背景、算法和算法中的隱含假定。作者介紹
TOM M.Mitchell是卡內基梅隆大學的教授，講授“機器(AAA)的主席：美國《Machine Leaming》雜誌、國際機器學習年度會議（ICML）的創始人：多種技術雜誌的撰稿人，曾發表過許多文章，出版過多本專著，是機器學習領域的著名學者。作品目錄
1 introduction2 concept learning and the general-to-specific ordering
3 decision tree learing
4 artificial networks
5 evaluating hypotheses
6 batesian learing
7 computaional learing theory
8 instance-based learing
9 genetic algorithms
10 learing sets of rules
11 analytical
12 combining inductive and analytical learning
13 reinforcement learing
