Cuốn sách này là một giới thiệu chung về học máy, có thể dùng làm giáo trình cho sinh viên sau đại học và tài liệu tham khảo cho các nhà nghiên cứu. Sách bao gồm các chủ đề hiện đại cơ bản về học máy, đồng thời cung cấp cơ sở lý thuyết và các công cụ khái niệm cần thiết cho việc thảo luận và chứng minh các thuật toán. Sách cũng mô tả một số khía cạnh chính của việc ứng dụng các thuật toán này. Các tác giả mong muốn trình bày các công cụ và khái niệm lý thuyết mới mẻ, đồng thời đưa ra các bằng chứng súc tích, ngay cả đối với các chủ đề tương đối nâng cao. Nền tảng Học máy là một cuốn sách độc đáo tập trung vào phân tích và lý thuyết thuật toán. Bốn chương đầu tiên đặt nền tảng lý thuyết cho những nội dung tiếp theo; các chương tiếp theo chủ yếu là độc lập. Các chủ đề được đề cập bao gồm khung học tập Có lẽ Đúng Xấp xỉ (PAC); ranh giới tổng quát hóa dựa trên độ phức tạp Rademacher và chiều VC; Máy vectơ hỗ trợ (SVM); các phương pháp hạt nhân; tăng cường; học trực tuyến; phân loại đa lớp; xếp hạng; hồi quy; ổn định thuật toán; giảm chiều; automata và ngôn ngữ học; và học tăng cường. Mỗi chương kết thúc bằng một bộ bài tập. Phụ lục cung cấp thêm tài liệu, bao gồm cả phần ôn tập xác suất súc tích.

Abstract:

This book is a general introduction to machine learning that can serve as a textbook for graduate students and a reference for researchers. It covers fundamental modern topics in machine learning while providing the theoretical basis and conceptual tools needed for the discussion and justification of algorithms. It also describes several key aspects of the application of these algorithms. The authors aim to present novel theoretical tools and concepts while giving concise proofs even for relatively advanced topics. Foundations of Machine Learning is unique in its focus on the analysis and theory of algorithms. The first four chapters lay the theoretical foundation for what follows; subsequent chapters are mostly self-contained. Topics covered include the Probably Approximately Correct (PAC) learning framework; eneralization bounds based on Rademacher complexity and VC-dimension; Support Vector Machines (SVMs); kernel methods; boosting; on-line learning; multi-class classification; ranking; regression; algorithmic stability; dimensionality reduction; learning automata and languages; and reinforcement learning. Each chapter ends with a set of exercises. Appendixes provide additional material including concise probability review.

Ngôn ngữ:	eng
Tác giả:	Mehryar Mohri,, Afshin Rostamizadeh, Ameet Talwalkar
Thông tin nhan đề:	Foundations of Machine Learning, 2nd Edition
Nhà xuất bản:	MIT Press
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	https://creativecommons.org/share-your-work/use-remix/cc-licenses/#by-nc-nd
Nguồn gốc:	https://it-ebooks.dev/books/data-science-and-ai/foundations-of-machine-learning-2nd-edition
Mô tả vật lý:	505tr
Năm xuất bản:	2018