一书吃透机器学习!新版《机器学习基础》来了,教材PDF、PPT可下载 | 资源

2019 年 5 月 19 日 量子位
一书吃透机器学习!新版《机器学习基础》来了,教材PDF、PPT可下载 | 资源
铜灵 发自 凹非寺
量子位 出品 | 公众号 QbitAI

不出家门,也能学习到国外高校的研究生机器学习课程了。

今天,一本名为Foundations of Machine Learning(《机器学习基础》)的课在Reddit上热度飙升至300,里面可谓内容丰富。

不仅有500多页的课程PDF可以下载,并且还有13章的PPT也可以获取。

有Reddit网友评论,这部教材足够扎实、内容足够基础,学机器学习理论,熟读这本书就足够了。

500页干货里都有啥

这本书是由纽约大学计算机科学教授Mehryar Mohri、Afshin Rostamizadeh和Ameet Talwalkar共同编写的,2012年曾经出版了第一版,这一版在此前基础上进行了内容的完善。

而且原价30多美元的书,当前也免费开放了。

全书是对机器学习的一般性知识介绍,也是不少大学的研究生教材,侧重于算法的分析和理论

书中的内容基本上涵盖了机器学习当前阶段的热门基础概念,同时还附上了算法论证所需的理论基础和工具。

先总体来看,这本书分为17个章节:

  1. 简介

  2. PAC学习框架

  3. Rademacher复杂性和VC维(Vapnic-Chervonenkis Dimension)

  4. 模型选择

  5. 支持向量机

  6. 核理论

  7. Boosting家族

  8. 在线学习

  9. 多级分类

  10. 排序

  11. 回归

  12. 最大熵模型

  13. 条件最大熵模型

  14. 算法稳定

  15. 降维

  16. 学习自动机和语言

  17. 强化学习

从每一个章节的设置可以看出这份教材设置的非常细致,将机器学习中的基础概念拆分开来讲,想深入了解吃透深度学习的基础,按这个目录来学也是个不错的选择。

再来看具体内容。

因为这是套研究生课程,因此需要比较扎实的高数基础,学习之前需要先恶补一下数学基础,因为里面以数学推理居多。

比如第四章模型选择,又细分成了9个章节,比如估计和近似误差、经验风险最小化、结构风险最小化、交叉验证、n次交叉验证等。

每一个知识点几乎都有相关的数学论证公式:

以及严密的推理过程:

每一章的结尾也附上了相关课后练习,也是以理论论证为主:

对于这样一份门槛较高的教材,网友给出了比较高的评价:

网友johnnymo1表示,看起来这里面有很多我一直寻找的东西,包含了相当严谨的内容。

网友needlzor表示,不需要号称“实用的机器学习课程”和“用高中数学建立你的神经网络”了,很高兴看到这种理论书更新。

在全民AI的热潮下,更需要真正稳抓稳打夯实基础,这套书还是个不错的选择。

传送门

教材介绍地址(可PDF、PPT下载至本地):
https://cs.nyu.edu/~mohri/mlbook/

在线预览地址:
https://mitpress.ublish.com/ereader/7093/?preview=#page/2

小程序|get更多AI学习干货

加入社群

量子位AI社群开始招募啦,量子位社群分:AI讨论群、AI+行业群、AI技术群;


欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“微信群”,获取入群方式。(技术群与AI+行业群需经过审核,审核较严,敬请谅解)


量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !

登录查看更多
25

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

由Marc Peter Deisenroth,A Aldo Faisal和Cheng Soon Ong撰写的《机器学习数学基础》“Mathematics for Machine Learning” 最新版417页pdf版本已经放出,作者表示撰写这本书旨在激励人们学习数学概念。这本书并不打算涵盖前沿的机器学习技术,因为已经有很多书这样做了。相反,作者的目标是通过该书提供阅读其他书籍所需的数学基础。这本书分为两部分:数学基础知识和使用数学基础知识进行机器学习算法示例。值得初学者收藏和学习!

目录

Part I: 数据基础

  • Introduction and Motivation
  • Linear Algebra
  • Analytic Geometry
  • Matrix Decompositions
  • Vector Calculus
  • Probability and Distribution
  • Continuous Optimization

Part II: 机器学习问题

  • When Models Meet Data
  • Linear Regression
  • Dimensionality Reduction with Principal Component Analysis
  • Density Estimation with Gaussian Mixture Models
  • Classification with Support Vector Machines
成为VIP会员查看完整内容
0
114
小贴士
相关资讯
【资源】机器学习数学全书,1900页PDF下载
全球人工智能
66+阅读 · 2019年10月17日
机器学习资源大全中文版
智能交通技术
8+阅读 · 2019年7月24日
下载 | 100页机器学习入门完整版,初学者必备!
机器学习算法与Python学习
8+阅读 · 2018年12月18日
第二章 机器学习中的数学基础
Datartisan数据工匠
7+阅读 · 2018年4月5日
相关VIP内容
专知会员服务
176+阅读 · 2020年6月8日
专知会员服务
95+阅读 · 2020年5月2日
机器学习速查手册,135页pdf
专知会员服务
150+阅读 · 2020年3月15日
谷歌机器学习速成课程中文版pdf
专知会员服务
90+阅读 · 2019年12月4日
相关论文
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Antreas Antoniou,Harrison Edwards,Amos Storkey
17+阅读 · 2019年3月5日
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
Leland McInnes,John Healy,James Melville
7+阅读 · 2018年12月6日
Yong Wang,Xiao-Ming Wu,Qimai Li,Jiatao Gu,Wangmeng Xiang,Lei Zhang,Victor O. K. Li
8+阅读 · 2018年7月8日
Jyh-Jing Hwang,Tsung-Wei Ke,Jianbo Shi,Stella X. Yu
7+阅读 · 2018年5月18日
Jinjiang Guo,Pengyuan Ren,Aiguo Gu,Jian Xu,Weixin Wu
3+阅读 · 2018年4月16日
Hemayet Ahmed Chowdhury,Tanvir Alam Nibir,Md. Saiful Islam
8+阅读 · 2018年3月22日
Henggang Cui,Gregory R. Ganger,Phillip B. Gibbons
3+阅读 · 2018年3月20日
Ryohei Hisano
3+阅读 · 2018年2月22日
Fahim Irfan Alam,Jun Zhou,Alan Wee-Chung Liew,Xiuping Jia,Jocelyn Chanussot,Yongsheng Gao
10+阅读 · 2017年12月27日
Top