凭借其直观而严谨的机器学习方法,这篇文章为学生提供了进行研究和构建数据驱动产品所需的基础知识和实用工具。作者优先考虑几何直觉和算法思维,并包括所有基本的数学先决条件的细节,以提供一个新鲜和可访问的方式学习。课程强调实际应用,并举例说明计算机视觉、自然语言处理、经济学、神经科学、推荐系统、物理学和生物学等学科。本书包含超过300幅彩色插图,经过精心设计,能够直观地掌握技术概念,超过100个深度编码练习(使用Python)提供了对关键机器学习算法的真正理解。在线提供了一套在线资源,包括示例代码、数据集、交互式讲座幻灯片和解决方案手册,使其成为机器学习研究生课程和个人参考和自学的理想文本。

  • 鼓励几何直觉和算法思维,以提供对关键概念的直观理解和互动的学习方式
  • Python编码练习,帮助将知识付诸实践
  • 强调实际应用,结合真实世界的例子,使学生有信心进行研究,构建产品,解决问题
  • 完全独立的,有包含基本数学先决条件的附录

目录内容:

  1. Introduction to machine learning Part I. Mathematical Optimization:
  2. Zero order optimization techniques
  3. First order methods
  4. Second order optimization techniques Part II. Linear Learning:
  5. Linear regression
  6. Linear two-class classification
  7. Linear multi-class classification
  8. Linear unsupervised learning
  9. Feature engineering and selection Part III. Nonlinear Learning:
  10. Principles of nonlinear feature engineering
  11. Principles of feature learning
  12. Kernel methods
  13. Fully-connected neural networks
  14. Tree-based learners Part IV. Appendices: Appendix A. Advanced first and second order optimization methods Appendix B. Derivatives and automatic differentiation Appendix C. Linear algebra.

第一部分: 数学优化(第2-4章)

数学优化是机器学习的主力,它不仅支持单个机器学习模型的调整(在第二部分中介绍),还支持我们通过交叉验证来确定合适模型本身的框架(在本文的第三部分中讨论)。在本文的第一部分,我们将全面介绍数学优化,从第2章详细介绍的基本零阶(无导数)方法,到第3章和第4章分别介绍的基本和高级一阶和二阶方法。更具体地说,这一部分的文本包含完整的描述,局部优化,随机搜索方法,梯度下降,和牛顿的方法。 第二部分:线性学习(5-9章)

在这部分的文本中,我们描述了损失函数的机器学习的基本组成部分,重点是线性模型。这包括在第5-7章中对监督学习的完整描述,包括线性回归,两类和多类分类。在这些章节中,我们描述了一系列的观点和流行的设计选择,当建设监督学习者。在第8章中,我们同样描述了无监督学习,第9章包含了基本特征工程实践的介绍,包括流行的直方图特征,以及各种输入规范化方案和特征选择范例。 **第三部分: 非线性学习(10-14章) **

在本文的最后一部分,我们将第二部分中介绍的基本范式扩展到一般非线性设置。我们仔细地从第10章对非线性有监督和无监督学习的基本介绍开始,在这一章中,我们介绍了非线性学习的动机、常见术语和在其余的文本中使用的符号。在第十一章,我们讨论了如何自动选择适当的非线性模型,首先介绍了普遍近似。这自然会导致对交叉验证的详细描述,以及增强、正规化、集成和k -fold交叉验证。有了这些基本思想,在第12-14章中,我们专门用一章的篇幅介绍机器学习中使用的三种常用的通用近似器:固定形状的核、神经网络和树,在这里我们讨论每种常用的通用近似器的优点、缺点、技术偏差和用法。为了更好地学习本书的这部分内容,我们强烈建议先学习并理解第11章及其基本思想,然后再继续学习第12-14章。

成为VIP会员查看完整内容
127

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】《博弈论导论》,685页pdf,附153页pdf
专知会员服务
207+阅读 · 2022年6月26日
2022新年荐书!最值得一读的8部机器学习教程(PDF下载)
专知会员服务
113+阅读 · 2022年1月11日
【纽约大学经典书】《机器学习基础》第二版,505页pdf
专知会员服务
136+阅读 · 2021年10月31日
【经典书】线性代数与应用,698页pdf
专知会员服务
88+阅读 · 2021年9月27日
专知会员服务
211+阅读 · 2021年8月2日
专知会员服务
76+阅读 · 2021年3月16日
Python机器学习课程(代码与教程)
专知
35+阅读 · 2019年5月13日
七本书籍带你打下机器学习和数据科学的数学基础
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
69+阅读 · 2022年6月13日
Arxiv
23+阅读 · 2022年2月24日
Arxiv
64+阅读 · 2021年6月18日
Arxiv
56+阅读 · 2021年5月3日
Arxiv
10+阅读 · 2021年2月18日
Arxiv
126+阅读 · 2020年9月6日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
18+阅读 · 2019年1月16日
Deep Graph Infomax
Arxiv
17+阅读 · 2018年12月21日
VIP会员
相关VIP内容
【经典书】《博弈论导论》,685页pdf,附153页pdf
专知会员服务
207+阅读 · 2022年6月26日
2022新年荐书!最值得一读的8部机器学习教程(PDF下载)
专知会员服务
113+阅读 · 2022年1月11日
【纽约大学经典书】《机器学习基础》第二版,505页pdf
专知会员服务
136+阅读 · 2021年10月31日
【经典书】线性代数与应用,698页pdf
专知会员服务
88+阅读 · 2021年9月27日
专知会员服务
211+阅读 · 2021年8月2日
专知会员服务
76+阅读 · 2021年3月16日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
Arxiv
69+阅读 · 2022年6月13日
Arxiv
23+阅读 · 2022年2月24日
Arxiv
64+阅读 · 2021年6月18日
Arxiv
56+阅读 · 2021年5月3日
Arxiv
10+阅读 · 2021年2月18日
Arxiv
126+阅读 · 2020年9月6日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
18+阅读 · 2019年1月16日
Deep Graph Infomax
Arxiv
17+阅读 · 2018年12月21日
微信扫码咨询专知VIP会员