学习理论中的加权回归学习算法

摘要	第1-5页
Abstract	第5-7页
1 绪论	第7-19页
·学习问题研究的四个阶段	第7-10页
·基本概念及记号	第10-18页
·学习问题的定义	第10页
·学习问题的表示及一般模型	第10-11页
·监督学习的数学框架	第11-13页
·假设空间和目标函数	第13-14页
·样本误差、逼近误差和过剩广义误差	第14-15页
·偏方差问题	第15页
·经验风险最小化原则	第15页
·三种主要的学习问题	第15-16页
·指数型概率不等式	第16-17页
·覆盖数	第17-18页
·本论文的主要工作及内容安排	第18-19页
·本论文的主要工作	第18页
·本论文各章节组织安排	第18-19页
2 学习理论中基于L p框架的加权回归学习算法	第19-28页
·MLP 方法及预备知识	第19-23页
·MLP 方法下的加权回归学习算法的估计	第23-26页
·基于 MLP 方法的进一步讨论	第26-28页
3 多元加权回归学习算法的范化性能的估计	第28-43页
·多元加权回归学习算法及基本概念	第28-38页
·多元加权回归学习算法熟练速度的上界估计	第38-43页
结论	第43-44页
参考文献	第44-47页
攻读硕士学位期间发表的论文及科研成果	第47-48页
致谢	第48-49页