[译]基于模型的机器学习 - 目录

前言

本书简介、适用读者及阅读方法

如何用机器学习解决我的问题？

什么是基于模型的机器学习及其如何帮助解决问题

1. 谋杀之谜

通过解决一起谋杀案介绍基于模型的机器学习的核心概念

关键词：概率、随机变量、概率推断、概率模型、因子图、贝叶斯定理

• 1.1 整合证据
• 1.2 更新我们的可信部分
• 1.3 谋杀模型
• 1.4 扩展模型

2. 评估人的技能

基于模型的机器学习的第一个应用：根据测试答案评估一个人具备哪些技能

关键词：消息传递算法、循环置信传播、可视化、评估指标、ROC曲线

• 2.1 模型即一组假设
• 2.2 试验模型
• 2.3 有环性
• 2.4 迁移到真实数据
• 2.5 诊断问题
• 2.6 学习猜测概率

插曲：机器学习生命周期

解决任何机器学习问题的典型步骤

3. 匹配你的对手

基于模型的机器学习在在线游戏玩家匹配中的实际应用

• 3.1 建模游戏的结果
• 3.2 推断玩家的技能
• 3.3 一个解法：期望传播
• 3.4 核心模型的扩展
• 3.5 允许技能变化

关键词：高斯分布、方差、共轭分布、期望传播、在线学习

4. 清理你的收件箱

通过学习用户可能忽略哪些邮件来清理收件箱

• 4.1 收集与管理电子邮件数据
• 4.2 一个用于分类的模型
• 4.3 建模多个特征
• 4.4 设计特征集
• 4.5 评估与改进特征集
• 4.6 随邮件到达而学习

关键词：过拟合、匿名化、分类、特征集、精确率-召回率曲线、冷启动问题

5. 做出推荐

学习用户和电影的模型，实现个性化推荐

关键词：协同过滤、对称性、对称性破缺

• 5.1 学习用户和电影
• 5.2 多重特质与多人
• 5.3 训练我们的推荐系统
• 5.4 我们的首次推荐
• 5.5 建模星级评分
• 5.6 另一个冷启动问题

6. 理解哮喘

建模儿童过敏获得过程，理解和预测儿童哮喘

关键词：时间序列、缺失数据、模型选择、模型证据、奥卡姆剃刀、门、离散分布

• 6.1 过敏模型
• 6.2 试验模型
• 6.3 比较可选模型
• 6.4 用门建模
• 6.5 发现致敏类别

7. 众包的力量

利用众包标签在危机情况下提供准确信息

关键词：Dirichlet分布、混淆矩阵、朴素贝叶斯分类器

• 7.1 众包工作者模型
• 7.2 试用工作者模型
• 7.3 校正工作者的偏见
• 7.4 工作者社群
• 7.5 利用推文本身

8. 如何解读模型

探索他人创建的模型，理解其假设

• 8.1 隐含狄利克雷分配
• 8.2 决策树
• 8.3 主成分分析
• 8.4 K 均值聚类

关键词：LDA主题模型、决策树、主成分分析、K均值聚类

后记

对基于模型的机器学习未来的展望