【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- 专知

【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

【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。