
Foundations of Machine Learning (Second Edition) - це фундаментальний академічний підручник з теорії машинного навчання, написаний провідними дослідниками Мехріяром Мохрі, Афшином Ростамізаде та Амідом Талвалкаром. Книга зосереджена на строгому математичному підґрунті сучасного машинного навчання та орієнтована на студентів магістратури, аспірантів, дослідників і практиків, які прагнуть глибоко зрозуміти теоретичні гарантії алгоритмів навчання.
Друге видання істотно розширене та оновлене. Воно охоплює PAC-навчання, складність Радемахера, VC-розмірність, вибір моделей, методи опорних векторів, ядерні методи, бустинг, онлайн-навчання, багатокласову класифікацію, ранжування, регресію, максимальну ентропію, алгоритмічну стабільність, зменшення розмірності та навчання з підкріпленням. Особливу увагу приділено узагальнювальним оцінкам, регуляризації та зв’язку з теорією ігор.
Книга поєднує формальні доведення, інтуїтивні пояснення та вправи, що робить її еталонним джерелом для теоретично обґрунтованого вивчення машинного навчання.
Table of ContentsPreface
Introduction
1.1 What is machine learning?
1.2 What kind of problems can be tackled using machine learning?
1.3 Some standard learning tasks
1.4 Learning stages
1.5 Learning scenarios
1.6 Generalization
The PAC Learning Framework
2.1 The PAC learning model
2.2 Guarantees for finite hypothesis sets - consistent case
2.3 Guarantees for finite hypothesis sets - inconsistent case
2.4 Generalities
2.5 Chapter notes
2.6 Exercises
Rademacher Complexity and VC-Dimension
Model Selection
Support Vector Machines
Kernel Methods
Boosting
On-Line Learning
Multi-Class Classification
Ranking
Regression
Maximum Entropy Models
Conditional Maximum Entropy Models
Algorithmic Stability
Dimensionality Reduction
Learning Automata and Languages
Reinforcement Learning
Conclusion
Appendix A. Linear Algebra Review
Index