中文版 统计学习理论的本质
张学工 译
清华大学出版社 (2004)

统计学习理论是针对小样本情况研究统计学习规律的理论，是传统统计学的重要发展和补充，为研究有限样本情况下机器学习的理论和方法提供了理论框架，其核心思想是通过控制学习机器的容量实现对推广能力的控制。在这一理论中发展出的支持向量机方法是一种新的通用学习机器，较以往方法表现出很多理论和实践上的优势。本书是该领域的权威著作，着重介绍了统计学习理论和支持向量机的关键思想、结论和方法，以及该领域的最新进展。本书的读者对象是在信息科学领域或数学领域从事有关机器学习和函数估计研究的学者和科技人员，也可作为模式识别、信息处理、人工智能、统计学等专业的研究生教材。

译序
第二版前言
第一版前言
0 引论：学习问题研究的四个阶段
0．1 Rosenblatt的感知器(60年代)
0．1．1 感知器模型
0．1．2 对学习过程分析的开始
0．1．3 对学习过程的应用分析与理论分析
0．2 学习理论基础的创立(60-70年代)
0．2．1 经验风险最小化原则的理论
0．2．2 解决不适定问题的理论
0．2．3 密度估计的非参数方法
0．2．4 算法复杂度的思想
0．3 神经网络(80年代)
0．3．1 神经网络的思想
0．3．2 理论分析目标的简化
0．4 回到起点(90年代)
第一章 学习问题的表示
1．1 函数估计模型
1．2 风险最小化问题
<< 查看详细目录