教材《机器学习》
第二章：findsSG
SG集合方法：S正例敏感扩展。G反例敏感，分裂，包容S，
无偏的学习器，无偏学习的无用性。
第三章：决策树
属性离散，目标离散，可析取，可缺维
ID3：熵，信息增益。停止：所有属性都被这条路径包括，节点关联样本具有相同属性
ID3归纳偏置：短树优于长树，增益高属性靠近根节点
实际问题：属性筛选标准，深度，连续属性 ，属性不完整，不同代价属性
早停止生长，后修剪
修剪：错误率降低修剪。规则后修剪
信息增益率
第四章，人工神经网络
感知器训练法则，梯度下降（LMS,随机梯度下降）
完整的神经网络讲解：http://wenku.baidu.com/view/2d0990b4b14e852459fb5739.html
含有实例：http://www.doc88.com/p-9465206177651.html
神经网络简单理解图：http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html
神经网络详细理解图：http://www.cnblogs.com/charlotte77/p/5629865.html
简介[Machine Learning & Algorithm] 神经网络基础-poll的笔记：http://www.cnblogs.com/maybe2030/p/5597716.html
偏导数原理讲解：http://colah.github.io/posts/2015-08-Backprop/
第五章：
置信区间，偏差，方差，标准差
第六章：贝叶斯学习
贝叶斯网络：http://blog.sina.com.cn/s/blog_67b077fe01017e3h.html
贝叶斯网络简例：http://www.cnblogs.com/leoo2sk/archive/2010/09/18/bayes-network.html
贝叶斯网络杂例：http://blog.csdn.net/memory513773348/article/details/16973807
朴素贝叶斯：
没看懂：感觉根据含义，可以直接写出P(Y=ck)P(Y=ck)和P(X(j)=x(j)|Y=ck)的取值。用极大似然的原理思路是什么？
朴素贝叶斯方法，需要估计先验分布P(Y=ck)与条件分布P(X(j)=x(j)|Y=ck)。可以用极大似然估计方法进行概率的估计。
朴素贝叶斯参数最大似然估计：http://blog.csdn.net/zhulf0804/article/details/52474339
知乎：
http://www.zhihu.com/question/33959624
第七章：计算学习理论
第八章：基于实例的学习
k近邻，距离加权k近邻，局部加权回归（局部加权线性回归),径向基函数
第九章
遗传算法实例（函数最大值）：http://blog.csdn.net/b2b160/article/details/4680853/
跳袋鼠实例：https://my.oschina.net/u/1412321/blog/192454
模拟退火，粒子群算法：http://blog.csdn.net/u011089523/article/details/50961442w
蚁群算法，
禁忌算法四城市TSP：
http://blog.csdn.net/chinajane163/article/details/49095085