深入理解機器學習：從原理到算法涵蓋了機器學習領域中的嚴謹理論和實用方法，討論了學習的計算復雜度、凸性和穩(wěn)定性、PAC-貝葉斯方法、壓縮界等概念，并介紹了一些重要的算法范式，包括隨機梯度下降、神經元網絡以及結構化輸出。
 

全書講解全面透徹，適合有一定基礎的高年級本科生和研究生學習，也適合作為IT行業(yè)從事數據分析和挖掘的專業(yè)人員以及研究人員參考閱讀。

目錄

第1章引論1
第一部分理論基礎
第2章簡易入門10
第3章一般學習模型17
第4章學習過程的一致收斂性24
第5章偏差與復雜性權衡28
第6章VC維33
第7章不一致可學習44
第8章學習的運行時間56
第二部分從理論到算法
第9章線性預測66
第10章boosting75
第11章模型選擇與驗證85
第12章凸學習問題93
第13章正則化和穩(wěn)定性104
第14章隨機梯度下降114
第15章支持向量機127
第16章核方法136
第17章多分類、排序與復雜預測問題145
第18章決策樹162
第19章最近鄰167
第20章神經元網絡174
第三部分其他學習模型
第21章在線學習186
第22章聚類201
第23章維度約簡212
第24章生成模型226
第25章特征選擇與特征生成237
第四部分高級理論
第26章拉德馬赫復雜度250
第27章覆蓋數260
第28章學習理論基本定理的證明263
第29章多分類可學習性271
第30章壓縮界277
第31章PAC?貝葉斯281