机器学习(ML)已经成为我们日常生活中的一个常见元素,也是许多科学和工程领域的标准工具。为了优化ML的使用,理解其基本原理是必要的。

这本书接近ML作为科学原理的计算实现。这一原则包括不断调整给定数据生成现象的模型,将其预测所产生的某种形式的损失最小化。

本书训练读者在数据、模型和损失方面分解各种ML应用程序和方法,从而帮助他们从大量现成的ML方法中选择。

本书的ML的三部分方法提供了广泛的概念和技术的统一覆盖。作为一个恰当的例子,正则化技术、隐私保护技术以及可解释性技术等同于模型、数据和ML方法丢失的特定设计选择。

https://link.springer.com/book/10.1007/978-981-16-8193-6#toc

成为VIP会员查看完整内容
120

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
【干货书】机器学习算法视角,249页pdf
专知会员服务
142+阅读 · 2021年10月18日
【电子书】机器学习实战(Machine Learning in Action),附PDF
专知会员服务
126+阅读 · 2019年11月25日
【干货书】深度学习全面指南,307页pdf
专知
31+阅读 · 2022年1月6日
【干货书】数据科学手册,456页pdf
专知
12+阅读 · 2021年4月28日
国家自然科学基金
15+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
0+阅读 · 2014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
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012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
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Arxiv
11+阅读 · 2021年3月25日
Arxiv
22+阅读 · 2019年11月24日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
26+阅读 · 2018年8月19日
VIP会员
相关基金
国家自然科学基金
15+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
0+阅读 · 2014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
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012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
2+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
相关论文
微信扫码咨询专知VIP会员