林轩田机器学习基石这门课有一个配套教材:《Learning From Data》,林轩田也是编者之一。这本书的主页为:Learning From Data,豆瓣上关于这本书的评分高达9.4,还是很不错的,值得推荐!可以配套视频一起学习。

机器学习允许计算系统根据从观测数据中积累的经验自适应地改进性能。其技术广泛应用于工程、科学、金融、商业等领域。这本书是为机器学习的短期课程设计的。这是一门短期课程,不是仓促的课程。经过十多年的教材教学,我们提炼出了我们认为每个学生都应该知道的核心主题。我们选择了“从数据中学习”这个标题,它忠实地描述了这个主题是关于什么的,并且以一种类似故事的方式覆盖了这些主题。我们希望读者能通过从头到尾阅读这本书来学习这门学科的所有基础知识。

  • 数据学习具有明显的理论和实践轨迹。在这本书中,我们平衡了理论和实践,数学和启发式。我们的纳入标准是相关性。包括建立学习概念框架的理论,以及影响实际学习系统性能的启发法。

  • 从数据中学习是一个动态的领域。一些热门的技术和理论有时只是一时的流行,而另一些获得了牵引,成为该领域的一部分。我们在本书中强调的是必要的基础知识,这些基础知识使任何从数据中学习的学生有了坚实的基础,并使他们能够冒险去探索更多的技术和理论,或者贡献自己的知识。

  • 作者是加州理工学院(Caltech)、伦斯勒理工学院(RPI)和国立台湾大学(NTU)的教授,这本书是他们广受欢迎的机器学习课程的主要教材。作者还广泛咨询了金融和商业公司关于机器学习的应用,并在机器学习竞赛中带领获胜团队。

成为VIP会员查看完整内容
0
138

相关内容

机器学习允许计算系统根据从观测数据中积累的经验自适应地改进性能。其技术广泛应用于工程、科学、金融、商业等领域。这本书是为机器学习的短期课程设计的。这是一门短期课程,不是仓促的课程。经过十多年的教材教学,我们提炼出了我们认为每个学生都应该知道的核心主题。我们选择了“从数据中学习”这个标题,它忠实地描述了这个主题是关于什么的,并且以一种类似故事的方式覆盖了这些主题。我们希望读者能通过从头到尾阅读这本书来学习这门学科的所有基础知识。 ——数据学习具有明显的理论和实践轨迹。在这本书中,我们平衡了理论和实践,数学和启发式。我们的纳入标准是相关性。包括建立学习概念框架的理论,以及影响实际学习系统性能的启发法。 ——从数据中学习是一个动态的领域。一些热门的技术和理论有时只是一时的流行,而另一些获得了牵引,成为该领域的一部分。我们在本书中强调的是必要的基础知识,这些基础知识使任何从数据中学习的学生有了坚实的基础,并使他们能够冒险去探索更多的技术和理论,或者贡献自己的知识。
——作者是加州理工学院(Caltech)、伦斯勒理工学院(RPI)和国立台湾大学(NTU)的教授,这本书是他们广受欢迎的机器学习课程的主要教材。作者还广泛咨询了金融和商业公司关于机器学习的应用,并在机器学习竞赛中带领获胜团队。
http://amlbook.com/

【导读】《机器学习:贝叶斯和优化的视角》是雅典大学信息学和通信系的教授Sergios Theodoridis的经典著作,对所有主要的机器学习方法和新研究趋势进行了深入探索,涵盖概率和确定性方法以及贝叶斯推断方法。非常值得学习。

Sergios Theodoridis教授是雅典大学信息学和通信系的教授,香港中文大学(深圳)客座教授。他的研究领域是信号处理和机器学习。他的研究兴趣是自适应算法,分布式和稀疏性感知学习,机器学习和模式识别,生物医学应用中的信号处理和学习以及音频处理和检索。

他的几本著作与合著蜚声海内外,包括《机器学习:贝叶斯和优化的视角》以及畅销书籍《模式识别》。他是2017年EURASIP Athanasios Papoulis奖和2014年EURASIP Meritorious Service奖的获得者。

http://cgi.di.uoa.gr/~stheodor/

机器学习:贝叶斯和优化方法

本书对所有主要的机器学习方法和新研究趋势进行了深入探索,涵盖概率和确定性方法以及贝叶斯推断方法。其中,经典方法包括平均/小二乘滤波、卡尔曼滤波、随机逼近和在线学习、贝叶斯分类、决策树、逻辑回归和提升方法等,新趋势包括稀疏、凸分析与优化、在线分布式算法、RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。全书构建了一套明晰的机器学习知识体系,各章内容相对独立,物理推理、数学建模和算法实现精准且细致,并辅以应用实例和习题。本书适合该领域的科研人员和工程师阅读,也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。

成为VIP会员查看完整内容
0
239

【导读】纽约大学开设的离散数学课程,这是一门运用于计算机科学的离散数学课程。这只是一门一学期的课程,所以有很多话题是它没有涉及到的,或者没有深入讨论。但我们希望这能给你一个技能的基础,你可以在你需要的时候建立,特别是给你一点数学的成熟——对数学是什么和数学定义和证明如何工作的基本理解。

成为VIP会员查看完整内容
0
86

机器学习使用来自各种数学领域的工具。本文件试图提供一个概括性的数学背景,需要在入门类的机器学习,这是在加州大学伯克利分校被称为CS 189/289A。

https://people.eecs.berkeley.edu/~jrs/189/

我们的假设是读者已经熟悉多变量微积分和线性代数的基本概念(达到UCB数学53/54的水平)。我们强调,本文档不是对必备类的替代。这里介绍的大多数主题涉及的很少;我们打算给出一个概述,并指出感兴趣的读者更全面的理解进一步的细节。

请注意,本文档关注的是机器学习的数学背景,而不是机器学习本身。我们将不讨论特定的机器学习模型或算法,除非可能顺便强调一个数学概念的相关性。

这份文件的早期版本不包括校样。我们已经开始在一些证据中加入一些比较简短并且有助于理解的证据。这些证明不是cs189的必要背景,但可以用来加深读者的理解。

成为VIP会员查看完整内容
0
174

本书是为那些对数据科学感兴趣的Python程序员编写的。唯一的先决条件是Python的基本知识。不需要有使用复杂算法的经验。数学背景不是必须的。读完这本书的业余爱好者将获得获得第一份高薪数据科学工作所必需的技能。这些技能包括:

  • 概率论和统计学的基础。
  • 监督和非监督机器学习技术。
  • 关键的数据科学图书馆,如NumPy, SciPy, panda, Matplotlib和Scikit-Learn。
  • 解决问题的能力。

开放式解决问题的能力对于数据科学职业来说是必不可少的。不幸的是,这些能力不能通过阅读来获得。要成为一个问题解决者,你必须坚持解决困难的问题。带着这种想法,我的书围绕着案例研究展开:以真实世界为模型的开放式问题。案例研究范围从在线广告分析到使用新闻数据跟踪疾病暴发。

成为VIP会员查看完整内容
0
163

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
70
小贴士
相关VIP内容
专知会员服务
134+阅读 · 2020年6月29日
专知会员服务
64+阅读 · 2020年6月28日
专知会员服务
239+阅读 · 2020年6月8日
专知会员服务
86+阅读 · 2020年5月26日
【哈佛《CS50 Python人工智能入门》课程 (2020)】
专知会员服务
81+阅读 · 2020年4月12日
【2020新书】数据科学:十大Python项目,247页pdf
专知会员服务
163+阅读 · 2020年2月21日
专知会员服务
137+阅读 · 2020年2月11日
相关资讯
421页《机器学习数学基础》最新2019版PDF下载
知识点 | 全面理解支持向量机
机器学习算法与Python学习
7+阅读 · 2019年1月2日
381页机器学习数学基础PDF下载
专知
74+阅读 · 2018年10月9日
七本书籍带你打下机器学习和数据科学的数学基础
推荐|给你12本热门的深度学习书籍
全球人工智能
13+阅读 · 2018年3月18日
机器学习知识体系
互联网架构师
4+阅读 · 2018年1月9日
世界 CS Top 10 高校,你是哪一所?
九章算法
6+阅读 · 2017年12月15日
关于数据挖掘,有几本书推荐给你......
图灵教育
11+阅读 · 2017年10月11日
相关论文
Deep Learning for Deepfakes Creation and Detection
Thanh Thi Nguyen,Cuong M. Nguyen,Dung Tien Nguyen,Duc Thanh Nguyen,Saeid Nahavandi
4+阅读 · 2019年9月25日
Label Aware Graph Convolutional Network -- Not All Edges Deserve Your Attention
Hao Chen,Lu Wang,Senzhang Wang,Dijun Luo,Wenbing Huang,Zhoujun Li
5+阅读 · 2019年7月10日
Deep Learning for Energy Markets
Michael Polson,Vadim Sokolov
4+阅读 · 2019年4月10日
Few-shot Learning: A Survey
Yaqing Wang,Quanming Yao
334+阅读 · 2019年4月10日
Borja Ibarz,Jan Leike,Tobias Pohlen,Geoffrey Irving,Shane Legg,Dario Amodei
4+阅读 · 2018年11月15日
HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering
Zhilin Yang,Peng Qi,Saizheng Zhang,Yoshua Bengio,William W. Cohen,Ruslan Salakhutdinov,Christopher D. Manning
4+阅读 · 2018年9月25日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
8+阅读 · 2018年9月25日
Thomas Elsken,Jan Hendrik Metzen,Frank Hutter
10+阅读 · 2018年9月5日
Han Hu,Jiayuan Gu,Zheng Zhang,Jifeng Dai,Yichen Wei
3+阅读 · 2018年6月14日
Amritanshu Agrawal,Wei Fu,Tim Menzies
3+阅读 · 2018年2月20日
Top
微信扫码咨询专知VIP会员