机器学习是学习数据和经验的算法的研究。它被广泛应用于各种应用领域,从医学到广告,从军事到行人。任何需要理解数据的领域都是机器学习的潜在的消费者。《A Course in Machine Learning》属于入门级资料,它涵盖了现代机器学习的大多数主要方面(监督学习,无监督学习,大间隔方法,概率建模,学习理论等)。它的重点是具有严格基础的广泛应用。

机器学习是一个广阔而迷人的领域。即使在今天,机器学习技术仍然在你的生活中占据了相当大的一部分,而且常常是在你不知情的情况下。在某种程度上,任何看似合理的人工智能方法都必须包括学习,如果不是为了别的原因,而是因为如果一个系统不能学习,那么它就很难被称为智能系统。机器学习本身也很吸引人,因为它提出了关于学习和成功完成任务的意义的哲学问题。

同时,机器学习也是一个非常广泛的领域,试图涵盖所有领域对于教学来说将是一场灾难。因为它发展得如此之快,以至于任何试图报道最新发展的书籍在上线之前都会过时。因此,本书有两个目标。首先,要通俗地介绍一个非常深的领域是什么。第二,为读者提供必要的技能,以便在新技术发展过程中掌握新技术。

  • Front Matter
  • Decision Trees
  • Limits of Learning
  • Geometry and Nearest Neighbors
  • The Perceptron
  • Practical Issues
  • Beyond Binary Classification
  • Linear Models
  • Bias and Fairness
  • Probabilistic Modeling
  • Neural Networks
  • Kernel Methods
  • Learning Theory
  • Ensemble Methods
  • Efficient Learning
  • Unsupervised Learning
  • Expectation Maximization
  • Structured Prediction
  • Imitation Learning
  • Back Matter
成为VIP会员查看完整内容
0
56

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

课程内容:

  • 数学基础:矩阵、向量、Lp范数、范数的几何、对称性、正确定性、特征分解。无约束最优化,graident下降法,凸函数,拉格朗日乘子,线性最小二乘法。概率空间,随机变量,联合分布,多维高斯。

  • 线性分类器:线性判别分析,分离超平面,多类分类,贝叶斯决策规则,贝叶斯决策规则几何,线性回归,逻辑回归,感知机算法,支持向量机,非线性变换。

  • 鲁棒性:对抗性攻击、定向攻击和非定向攻击、最小距离攻击、最大允许攻击、基于规则的攻击。通过纳微扰。支持向量机的鲁棒性。

  • 学习理论:偏差和方差,训练和测试,泛化,PAC框架,Hoeffding不等式,VC维。

参考书籍:

  • Pattern Classification, by Duda, Hart and Stork, Wiley-Interscience; 2 edition, 2000.
  • Learning from Data, by Abu-Mostafa, Magdon-Ismail and Lin, AMLBook, 2012.
  • Elements of Statistical Learning, by Hastie, Tibshirani and Friedman, Springer, 2 edition, 2009.
  • Pattern Recognition and Machine Learning, by Bishop, Springer, 2006.

讲者: Stanley Chan 教授 https://engineering.purdue.edu/ChanGroup/stanleychan.html

课程目标: 您将能够应用基本的线性代数、概率和优化工具来解决机器学习问题

•你将了解一般监督学习方法的原理,并能评论它们的优缺点。 •你会知道处理数据不确定性的方法。 •您将能够使用学习理论的概念运行基本的诊断。 •您将获得机器学习算法编程的实际经验。

成为VIP会员查看完整内容
0
126

本备忘单是机器学习手册的浓缩版,包含了许多关于机器学习的经典方程和图表,旨在帮助您快速回忆起机器学习中的知识和思想。

这个备忘单有两个显著的优点:

  1. 清晰的符号。数学公式使用了许多令人困惑的符号。例如,X可以是一个集合,一个随机变量,或者一个矩阵。这是非常混乱的,使读者很难理解数学公式的意义。本备忘单试图规范符号的使用,所有符号都有明确的预先定义,请参见小节。

  2. 更少的思维跳跃。在许多机器学习的书籍中,作者省略了数学证明过程中的一些中间步骤,这可能会节省一些空间,但是会给读者理解这个公式带来困难,读者会在中间迷失。

成为VIP会员查看完整内容
0
160

主题: Financial Machine Learning

课程目录:

  • 介绍
  • 端到端的ML项目
  • 分类
  • 线性模型
  • 决策树
  • 集成
  • 主要组成
  • 神经网络
成为VIP会员查看完整内容
0
54

简介: 机器学习是从数据和经验中学习的算法研究。 它被广泛应用于从医学到广告,从军事到行人的各种应用领域。 CIML是一组入门资料,涵盖了现代机器学习的大多数主要方面(监督学习,无监督学习,大幅度方法,概率建模,学习理论等)。 它的重点是具有严格主干的广泛应用。 一个子集可以用于本科课程; 研究生课程可能涵盖全部材料,然后再覆盖一些。

作者介绍: Hal Daumé III,教授,他曾担任Perotto教授职位,他现在Microsoft Research NYC的机器学习小组中。 研究方向是自然语言处理。

大纲介绍:

  • 前言
  • 决策树
  • Limits of Learning
  • 近邻算法
  • 感知机
  • 联系
  • 边缘分类
  • 线性模型
  • 偏差
  • 概率模型
  • 神经网络
  • 核函数
  • 学习理论
  • Ensemble 方法
  • 高效学习
  • 无监督学习
  • 期望最大化
  • 结构预测
  • 模仿学习
  • 后记

下载链接: https://pan.baidu.com/s/1QwSGTioJxDCRvlkBqcJr_A

提取码:fwbq

成为VIP会员查看完整内容
0
20

在过去的十年里,计算和信息技术突飞猛进。它带来了医学、生物学、金融和营销等各个领域的大量数据。理解这些数据的挑战导致了统计领域新工具的发展,并催生了数据挖掘、机器学习和生物信息学等新领域。许多这些工具有共同的基础,但经常用不同的术语表示。这本书在一个共同的概念框架中描述了这些领域的重要思想。虽然方法是统计的,但重点是概念而不是数学。许多例子都给出了,与自由使用彩色图形。它应该是统计学家和任何对科学或工业数据挖掘感兴趣的人的宝贵资源。这本书的覆盖面很广,从监督学习(预测)到非监督学习。许多主题包括神经网络、支持向量机、分类树和增强——这是任何一本书中对这个主题的首次全面论述。这个主要的新版本的特点,许多主题不包括在原来的,包括图形模型,随机森林,集成方法,最小角度回归和用于lasso的路径算法、非负矩阵分解和谱聚类。还有一章是关于“宽”数据的方法(p大于n),包括多重测试和错误发现率。Trevor Hastie、Robert Tibshirani和Jerome Friedman是斯坦福大学的统计学教授。他们是这一领域的杰出研究人员:Hastie和Tibshirani开发了广义可加性模型,并就此写了一本很受欢迎的书。Hastie在S-PLUS中编写了大量的统计建模软件,并发明了主曲线和曲面。Tibshirani提出了Lasso,并且是非常成功的Bootstrap介绍的合著者。弗里德曼是许多数据挖掘工具的共同发明者,包括CART、MARS和投影追踪。

成为VIP会员查看完整内容
0
60
小贴士
相关VIP内容
机器学习速查手册,135页pdf
专知会员服务
160+阅读 · 2020年3月15日
专知会员服务
98+阅读 · 2020年1月16日
专知会员服务
54+阅读 · 2019年12月24日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
23+阅读 · 2019年9月24日
相关论文
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Xiaohua Zhai,Avital Oliver,Alexander Kolesnikov,Lucas Beyer
4+阅读 · 2019年5月9日
Duc Tam Nguyen,Zhongyu Lou,Michael Klar,Thomas Brox
6+阅读 · 2019年1月28日
Multi-class Classification without Multi-class Labels
Yen-Chang Hsu,Zhaoyang Lv,Joel Schlosser,Phillip Odom,Zsolt Kira
4+阅读 · 2019年1月2日
ML-Net: multi-label classification of biomedical texts with deep neural networks
Jingcheng Du,Qingyu Chen,Yifan Peng,Yang Xiang,Cui Tao,Zhiyong Lu
7+阅读 · 2018年11月15日
A General and Adaptive Robust Loss Function
Jonathan T. Barron
7+阅读 · 2018年11月5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
Luke Metz,Niru Maheswaranathan,Brian Cheung,Jascha Sohl-Dickstein
5+阅读 · 2018年5月23日
Wenhao Jiang,Lin Ma,Xinpeng Chen,Hanwang Zhang,Wei Liu
6+阅读 · 2018年4月3日
Daniel Oñoro-Rubio,Mathias Niepert,Alberto García-Durán,Roberto González,Roberto J. López-Sastre
9+阅读 · 2018年3月31日
Top