機器學習是計算機科學中增長最快的領域之一，具有深遠的應用。本書的目的是介紹機器學習，以及它所提供的算法范例。本書對機器學習的基本原理和將這些原理轉化為實際算法的數學推導提供了理論解釋。在介紹了基礎知識之后，這本書涵蓋了以前教科書沒有涉及到的一系列廣泛的中心主題。這些包括討論學習的計算復雜性和凸性和穩定性的概念;重要的算法范例包括隨機梯度下降、神經網絡和結構化輸出學習;以及新興的理論概念，如PAC-Bayes方法和基于壓縮的界限。本文面向高級本科生或剛畢業的學生，使統計學、計算機科學、數學和工程學領域的學生和非專業讀者都能接觸到機器學習的基本原理和算法。
//www.cse.huji.ac.il/~shais/UnderstandingMachineLearning/index.html
概述
機器學習是指自動檢測數據中有意義的模式。在過去的幾十年里，它已經成為幾乎所有需要從大數據集中提取信息的任務的通用工具。我們被一種基于機器學習的技術包圍著:搜索引擎學習如何給我們帶來最好的結果(同時投放有利可圖的廣告)，反垃圾郵件軟件學習如何過濾我們的電子郵件信息，信用卡交易被一種學習如何偵測欺詐的軟件保護著。數碼相機學會識別人臉，智能手機上的智能個人輔助應用學會識別語音指令。汽車配備了使用機器學習算法構建的事故預防系統。機器學習還廣泛應用于生物信息學、醫學和天文學等科學領域。
所有這些應用程序的一個共同特征是，與計算機的更傳統使用相比，在這些情況下，由于需要檢測的模式的復雜性，人類程序員無法提供關于這些任務應該如何執行的明確、詳細的規范。以智慧生物為例，我們的許多技能都是通過學習我們的經驗(而不是遵循給我們的明確指示)而獲得或改進的。機器學習工具關注的是賦予程序“學習”和適應的能力。
這本書的第一個目標是提供一個嚴格的，但易于遵循，介紹機器學習的主要概念: 什么是機器學習?
本書的第二個目標是介紹幾種關鍵的機器學習算法。我們選擇展示的算法一方面在實踐中得到了成功應用，另一方面提供了廣泛的不同的學習技術。此外，我們特別關注適合大規模學習的算法(又稱“大數據”)，因為近年來，我們的世界變得越來越“數字化”，可用于學習的數據量也在急劇增加。因此，在許多應用中數據量大，計算時間是主要瓶頸。因此，我們明確地量化了學習給定概念所需的數據量和計算時間。
目錄：
- Introduction
Part I: Foundations
- A gentle start
- A formal learning model
- Learning via uniform convergence
- The bias-complexity trade-off
- The VC-dimension
- Non-uniform learnability
- The runtime of learning
Part II: From Theory to Algorithms
- Linear predictors
- Boosting
- Model selection and validation
- Convex learning problems
- Regularization and stability
- Stochastic gradient descent
- Support vector machines
- Kernel methods
- Multiclass, ranking, and complex prediction problems
- Decision trees
- Nearest neighbor
- Neural networks
Part III: Additional Learning Models
- Online learning
- Clustering
- Dimensionality reduction
- Generative models
- Feature selection and generation
Part IV: Advanced Theory
- Rademacher complexities
- Covering numbers
- Proof of the fundamental theorem of learning theory
- Multiclass learnability
- Compression bounds
- PAC-Bayes
Appendices
- Technical lemmas
- Measure concentration
- Linear algebra
付費5元查看完整內容
相關內容
“機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。機器學習理論主要是設計和分析一些讓
可以自動“
”的算法。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。因為學習算法中涉及了大量的統計學理論，機器學習與統計推斷學聯系尤為密切，也被稱為統計學習理論。算法設計方面，機器學習理論關注可以實現的，行之有效的學習算法。很多
問題屬于
，所以部分的機器學習研究是開發容易處理的近似算法。”
——中文維基百科
監督機器學習
·
這本書來自統計學習課程，這是一門統計機器學習的入門課程，面向具有一些微積分、線性代數和統計學背景的學生。這門課程的重點是監督學習：分類和回歸。本課程將涵蓋機器學習和數據科學中使用的一系列方法，包括:
- 線性回歸(包括嶺回歸和Lasso)
- 通過logistic回歸和k近鄰進行分類
- 線性和二次判別分析
- 回歸和分類樹(包括套袋林和隨機林)
- Boosting
- 神經網絡和深度學習
這些方法將在整個課程中被研究并應用于來自各種應用的真實數據。課程還涵蓋了一些重要的實際問題，如交叉驗證、模型選擇和偏方差權衡。課程包括理論(例如，推導和證明)以及實踐(特別是實驗室和小型項目)。實際部分將使用Python實現。
付費5元查看完整內容
在復雜的以人為中心的系統中，每天的決策都具有決策相關信息不完全的特點。現有決策理論的主要問題是，它們沒有能力處理概率和事件不精確的情況。在這本書中，我們描述了一個新的理論的決策與不完全的信息。其目的是將決策分析和經濟行為的基礎從領域二價邏輯轉向領域模糊邏輯和Z約束，從行為決策的外部建模轉向組合狀態的框架。
這本書將有助于在模糊邏輯，決策科學，人工智能，數學經濟學，和計算經濟學的專業人員，學者，經理和研究生。
讀者:專業人士，學者，管理者和研究生在模糊邏輯，決策科學，人工智能，數學經濟學，和計算經濟學。
付費5元查看完整內容
高斯過程(GPs)為核機器的學習提供了一種有原則的、實用的、概率的方法。在過去的十年中，GPs在機器學習社區中得到了越來越多的關注，這本書提供了GPs在機器學習中理論和實踐方面長期需要的系統和統一的處理。該書是全面和獨立的，針對研究人員和學生在機器學習和應用統計學。
這本書處理監督學習問題的回歸和分類，并包括詳細的算法。提出了各種協方差(核)函數，并討論了它們的性質。從貝葉斯和經典的角度討論了模型選擇。討論了許多與其他著名技術的聯系，包括支持向量機、神經網絡、正則化網絡、相關向量機等。討論了包括學習曲線和PAC-Bayesian框架在內的理論問題，并討論了幾種用于大數據集學習的近似方法。這本書包含說明性的例子和練習，和代碼和數據集在網上是可得到的。附錄提供了數學背景和高斯馬爾可夫過程的討論。
付費5元查看完整內容
統計學習理論是一個新興的研究領域，它是概率論、統計學、計算機科學和最優化的交叉領域，研究基于訓練數據進行預測的計算機算法的性能。以下主題將包括:統計決策理論基礎;集中不平等;監督學習和非監督學習;經驗風險最小化;complexity-regularized估計;學習算法的泛化界VC維與復雜性;極大極小下界;在線學習和優化。利用一般理論，我們將討論統計學習理論在信號處理、信息論和自適應控制方面的一些應用。
付費5元查看完整內容
簡介： 深度學習無處不在。例如，當在線使用許多應用程序甚至在購物時，都會看到它。我們被深度學習所包圍，甚至根本沒有意識到這一點，這使學習深度學習變得至關重要，因為可以利用它做很多事情，這遠遠超出了您的想象。當您學習本書時，您可以在Mac，Linux或Windows系統上運行的許多示例代碼。您也可以使用Google Colab之類的工具在線運行代碼。 本書的第一部分為您提供了一些入門信息，除了安裝一些必備軟件，還會了解一些基本數學知識。
目錄：
-
說明
-
Chapter 1：深度學習介紹
- 深度學習的意義
- 真實世界中的深度學習
- 深度學習項目的環境
-
Chapter 2：機器學習介紹
- 機器學習定義
- 思考學習的不同方法
- 機器學習的正確使用
-
Chapter 3：使用python
- anaconda
- 下載數據集與代碼
- 創建應用
- 云端使用
-
chapter 4：利用深度學習看框架
- 框架介紹
- 了解tensorflow
-
chapter 5：回顧數學與優化
- 矩陣介紹
- 理解向量，scalar等
- 優化介紹
-
chapter 6：線性回歸基礎
- 組合變量
- 混合變量類型
- 概率
- 特征介紹
-
chapter 7：神經網絡
- 感知機
- 神經網絡復雜度
- 過擬合
-
Chapter 8：構建基礎神經網絡
- 理解神經網絡
- 神經網絡的核心
-
Chapter 9：深度學習
- 數據
- 提升速度
- 解釋深度學習的不同
-
Chapter 10：解釋卷積神經網絡
-
Chapter 11：循環神經網絡
-
Chapter 12：圖片分類
-
Chapter 13：循環神經網絡
-
Chapter 14：語言處理
-
Chapter 15：生成音樂和虛擬藝術
-
Chapter 16：生成對抗網絡
-
Chapter 17：深度強化學習
-
Chapter 18：深度學習的應用
-
Chapter 19：十個必備的深度學習工具
-
Chapter 20：十個使用深度學習的場景
付費5元查看完整內容
題目： Machine Learning in Action
摘要： 這本書向人們介紹了重要的機器學習算法，介紹了使用這些算法的工具和應用程序，讓讀者了解它們在今天的實踐中是如何使用的。大部分的機器學習書籍都是討論數學，但很少討論如何編程算法。這本書旨在成為從矩陣中提出的算法到實際運行程序之間的橋梁。有鑒于此，請注意這本書重代碼輕數學。
代碼下載鏈接： //pan.baidu.com/s/1--8P9Hlp7vzJdvhnnhsDvw 提取碼：vqhg
付費5元查看完整內容
[付費5元查看完整內容]【電子書】理解機器學習：從理論到算法（Understanding Machine Learning: From Theory to Algorithms）449頁PDF免費下載
機器學習是計算機科學發展最快的領域之一，有著廣泛的應用。這本教科書的目的是以一種有原則的方式介紹機器學習和它提供的算法范例。這本書提供了一個基本的理論基礎的機器學習和數學推導，將這些原則轉化為實際的算法。在介紹了基礎知識之后，這本書涵蓋了以前教科書沒有涉及到的一系列廣泛的中心主題。這些包括討論學習的計算復雜性和凸性和穩定性的概念;重要的算法范例包括隨機梯度下降、神經網絡和結構化輸出學習;以及新興的理論概念，如PAC-Bayes方法和基于壓縮的邊界。為高級本科生或剛開始的研究生設計，文本使學生和非專業讀者在統計，計算機科學，數學和工程的機器學習的基礎和算法。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191