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