【UMD开放经典书】机器学习课程简明书,19章227页pdf,带你学习ML

2019 年 12 月 9 日 专知

导读】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


 地址:http://ciml.info/

             

 引言


1.1 关于本书


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
 

1.2 如何使用本书?

 

这本书被设计成线性阅读,因为它的目标不是一个通用的参考书。也就是说,一旦你读完了第5章,你几乎可以跳到任何地方。当我教授一学期的非研究生课程时,我通常会读完1-13章,有时会根据时间和兴趣跳过7、9、10或12章。对于以前没有机器学习背景的研究生课程,我会很快地从1-4页开始,然后覆盖剩下的部分,并增加一些额外的阅读。

  

1.3 为什么是另一个教科书?

 

这本书的目的是提供一个通俗的和教学组织的领域介绍。这与大多数现有的机器学习文本形成了对比,它们倾向于按主题组织内容,而不是按教学方法组织(米切尔的书是个例外,但不幸的是,米切尔1997年版的《自然》越来越过时了)。这对于该领域的研究人员来说是有意义的,但是对于学习者来说就没那么有意义了。这本书的第二个目标是提供一个机器学习的观点,它关注的是思想和模型,而不是数学。避免数学是不可能的(甚至是可取的)。但是数学应该帮助理解,而不是阻碍它。最后,本书试图将依赖关系降到最低,这样读者就可以很容易地挑选要读的章节。当依赖项存在时,它们列在本章的开头。这本书的读者是任何知道微分学和离散数学的人,并且可以很好地编程。(学一点线性代数和概率也无妨)一个在第四或第五学期的本科生应该完全能够理解这些材料。然而,它也应该适合一年级的研究生,也许以稍快的速度。

 

1.4 组织和辅助材料


有一个相关的web页面http://ciml.info/,其中包含该书的在线副本以及相关的代码和数据。它还包含勘误表。请提交关于github的bug报告:github.com/ hal3/ciml。

 

目录


  • 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



便捷下载:关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“CIML” 获取机器学习A Course In Machine Learning》227页pdf简明书链接下载索引~


-END-
专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加), 获取专知VIP会员码 加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,了解使用专知,查看5000+AI主题知识资料
登录查看更多
35

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
【经典书】人工智能及机器学习导论,457页pdf
专知会员服务
133+阅读 · 2020年7月5日
【经典书】机器学习高斯过程,266页pdf
专知会员服务
173+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
288+阅读 · 2020年3月15日
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
314+阅读 · 2020年2月15日
【2020新书】简明机器学习导论,电子书与500页PPT
专知会员服务
192+阅读 · 2020年2月7日
【机器学习课程】机器学习中的常识性问题
专知会员服务
55+阅读 · 2019年12月2日
【资源】机器学习数学全书,1900页PDF下载
全球人工智能
116+阅读 · 2019年10月17日
421页《机器学习数学基础》最新2019版PDF下载
381页机器学习数学基础PDF下载
专知
82+阅读 · 2018年10月9日
第二章 机器学习中的数学基础
Datartisan数据工匠
10+阅读 · 2018年4月5日
贝叶斯机器学习前沿进展
无人机
5+阅读 · 2018年1月26日
Arxiv
16+阅读 · 2019年9月7日
Arxiv
5+阅读 · 2019年8月22日
Arxiv
11+阅读 · 2019年2月28日
Arxiv
10+阅读 · 2018年7月8日
VIP会员
相关VIP内容
【经典书】人工智能及机器学习导论,457页pdf
专知会员服务
133+阅读 · 2020年7月5日
【经典书】机器学习高斯过程,266页pdf
专知会员服务
173+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
288+阅读 · 2020年3月15日
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
314+阅读 · 2020年2月15日
【2020新书】简明机器学习导论,电子书与500页PPT
专知会员服务
192+阅读 · 2020年2月7日
【机器学习课程】机器学习中的常识性问题
专知会员服务
55+阅读 · 2019年12月2日
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
116+阅读 · 2019年10月17日
421页《机器学习数学基础》最新2019版PDF下载
381页机器学习数学基础PDF下载
专知
82+阅读 · 2018年10月9日
第二章 机器学习中的数学基础
Datartisan数据工匠
10+阅读 · 2018年4月5日
贝叶斯机器学习前沿进展
无人机
5+阅读 · 2018年1月26日
相关论文
Top
微信扫码咨询专知VIP会员