Machine learn

Machine Learning, Tom Mitchell, McGraw Hill, 1997.

Machine Learning is the study of computer algorithms that improve automatically through experience. Applications range from datamining programs that discover general rules in large data sets, to information filtering systems that automatically learn users' interests. This book provides a single source introduction to the field. It is written for advanced undergraduate and graduate students, and for developers and researchers in the field. No prior background in artificial intelligence or statistics is assumed.


Chapter Outline: (or see the detailed table of contents (postscript))

• 1. Introduction
• 2. Concept Learning and the General-to-Specific Ordering
• 3. Decision Tree Learning
• 4. Artificial Neural Networks
• 5. Evaluating Hypotheses
• 6. Bayesian Learning
• 7. Computational Learning Theory
• 8. Instance-Based Learning
• 9. Genetic Algorithms
• 10. Learning Sets of Rules
• 11. Analytical Learning
• 12. Combining Inductive and Analytical Learning
• 13. Reinforcement Learning

414 pages. ISBN 0070428077 New book chapters available for download.
Reviews of this book.
Ordering information.
Lecture slides for instructors, in both postscript and latex source
Software and data discussed in the text.
Errata for printings one and two ( postscript )( pdf )
About the author.



Machine Learning adalah studi tentang algoritma komputer yang meningkatkan secara otomatis melalui pengalaman. Aplikasi berkisar dari datamining program yang menemukan aturan-aturan umum dalam set data besar, untuk informasi penyaringan sistem yang secara otomatis belajar minat pengguna. Buku ini memberikan pengenalan sumber tunggal ke lapangan. Hal ini ditulis untuk sarjana maju dan mahasiswa pascasarjana, dan untuk para pengembang dan peneliti di lapangan. Tidak memiliki latar belakang sebelum dalam kecerdasan buatan atau statistik diasumsikan.

Bab Garis Besar: (atau lihat tabel rinci isi (postscript))

    * 1. Pengantar
    * 2. Konsep Pembelajaran dan Jenderal untuk-Spesifik Urutan
    * 3. Pohon Keputusan Belajar
    * 4. Jaringan Syaraf Tiruan
    * 5. Mengevaluasi Hipotesis
    * 6. Bayesian Learning
    * 7. Komputasi Teori Belajar
    * 8. Instance Pembelajaran Berbasis
    * 9. Algoritma Genetika
    * 10. Set Belajar Peraturan
    * 11. Belajar Analitik
    * 12. Menggabungkan induktif dan Analitis Belajar
    * 13. Penguatan Belajar
414 halaman. ISBN 0070428077 bab buku baru tersedia untuk di-download.
Ulasan buku ini.
Urutan informasi.
Kuliah slide untuk instruktur, baik dalam sumber postscript dan lateks
Perangkat lunak dan data yang dibahas dalam teks.
Errata untuk cetakan satu dan dua (postscript) (pdf)
Tentang penulis.