统计学习算法：多分类及非独立同分布抽样下的回归
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-26页 |
| ·二分类问题 | 第12-14页 |
| ·经验风险最小化原则 | 第14-17页 |
| ·样本点严格可分的情况 | 第17-20页 |
| ·经典的支持向量机和核 | 第20-22页 |
| ·再生核希尔伯特空间中的正则化算法 | 第22-23页 |
| ·论文结构 | 第23-26页 |
| 第2章 学习理论近期的一些新发展 | 第26-30页 |
| ·在线算法 | 第26-27页 |
| ·半监督学习 | 第27页 |
| ·多任务学习 | 第27-28页 |
| ·本文主要贡献 | 第28-30页 |
| 第3章 Parzen窗多分类器 | 第30-44页 |
| ·一种新的多分类设置 | 第30-32页 |
| ·多分类问题的比较定理 | 第32-33页 |
| ·基础窗函数和Parzen窗 | 第33-34页 |
| ·误差分析和学习速率 | 第34-42页 |
| ·基本假设和学习速率 | 第34-37页 |
| ·样本误差估计 | 第37-39页 |
| ·逼近误差估计 | 第39-42页 |
| ·小结 | 第42-44页 |
| 第4章 非独立同分布抽样下的学习算法 | 第44-60页 |
| ·最小二乘正则化算法 | 第44-45页 |
| ·非独立同分布抽样的设置 | 第45-46页 |
| ·相依抽样的设置 | 第45-46页 |
| ·非同分布抽样的设置 | 第46页 |
| ·基本假设和学习速率 | 第46-48页 |
| ·误差分析 | 第48-57页 |
| ·误差分解和逼近误差估计 | 第48-49页 |
| ·漂移误差估计 | 第49-50页 |
| ·样本误差估计 | 第50-54页 |
| ·学习速率 | 第54-57页 |
| ·非同分布抽样下的分类算法 | 第57-59页 |
| ·小结 | 第59-60页 |
| 第5章 进一步的讨论 | 第60-66页 |
| ·流形学习 | 第60-61页 |
| ·窗的宽度 | 第61页 |
| ·维度缩减 | 第61-66页 |
| ·Graph-Laplacian | 第62-63页 |
| ·局部等距映射 | 第63页 |
| ·局部线性嵌入 | 第63-66页 |
| 参考文献 | 第66-74页 |
| 致谢 | 第74-76页 |
| 在读期间发表的学术论文与取得的研究成果 | 第76页 |
