机器学习允许计算系统根据从观测数据中积累的经验自适应地改进性能。其技术广泛应用于工程、科学、金融、商业等领域。这本书是为机器学习的短期课程设计的。这是一门短期课程,不是仓促的课程。经过十多年的教材教学,我们提炼出了我们认为每个学生都应该知道的核心主题。我们选择了“从数据中学习”这个标题,它忠实地描述了这个主题是关于什么的,并且以一种类似故事的方式覆盖了这些主题。我们希望读者能通过从头到尾阅读这本书来学习这门学科的所有基础知识。 ——数据学习具有明显的理论和实践轨迹。在这本书中,我们平衡了理论和实践,数学和启发式。我们的纳入标准是相关性。包括建立学习概念框架的理论,以及影响实际学习系统性能的启发法。 ——从数据中学习是一个动态的领域。一些热门的技术和理论有时只是一时的流行,而另一些获得了牵引,成为该领域的一部分。我们在本书中强调的是必要的基础知识,这些基础知识使任何从数据中学习的学生有了坚实的基础,并使他们能够冒险去探索更多的技术和理论,或者贡献自己的知识。
——作者是加州理工学院(Caltech)、伦斯勒理工学院(RPI)和国立台湾大学(NTU)的教授,这本书是他们广受欢迎的机器学习课程的主要教材。作者还广泛咨询了金融和商业公司关于机器学习的应用,并在机器学习竞赛中带领获胜团队。
http://amlbook.com/

VIP内容

学习方法的跨学科框架——包括统计学、神经网络和模糊逻辑,本书提供了从数据中学习依赖的原则和方法的统一处理。它建立了一个通用的概念框架,其中可以应用统计学、神经网络和模糊逻辑的各种学习方法,这表明了一些基本原则是当今在统计学、工程学和计算机科学中提出的大多数新方法的基础。书中有一百多幅插图、案例分析和实例,使其成为一本非常有价值的书。

第一部分:概念和理论(第1-4章)。

在第一章的介绍和动机的基础上,我们在第二章给出了归纳学习问题的形式化描述,并介绍了从数据中学习的主要概念和问题。特别地,它描述了一个叫做归纳原理的重要概念。第3章描述了统计中采用的规则化(或惩罚)框架。第四章介绍了Vapnik的统计学习理论(SLT),为有限数据预测学习提供了理论基础。SLT,又名VC理论,对于理解在神经网络、统计和模式识别中开发的各种学习方法,以及开发新的方法,如支持向量机(在第9章中描述)和非归纳学习设置(在第10章中描述)非常重要。

第二部分构造性学习方法(第5-8章)。

这部分描述了回归、分类和密度近似问题的学习方法。目的是展示源于统计、神经网络和信号处理的方法的概念相似性,并讨论它们的相对优势和局限性。只要有可能,我们将构造学习方法与第一部分的概念框架联系起来。第5章描述了各种方法中常用的非线性优化策略。第6章描述了密度近似的方法,包括统计、神经网络和信号处理技术用于数据约简和降维。第7章提供了统计和神经网络回归方法的描述。第8章描述了分类方法。

第三部分: 基于VC的学习方法(第9章和第10章)。

在这里,我们描述了源自VC理论的构造性学习方法。这包括用于几个归纳学习问题的支持向量机(或基于边际的方法)(在第9章)和各种非归纳学习公式(在第10章描述)。

成为VIP会员查看完整内容
0
29
Top