Understanding Machine Learning：From Theory to Algorithms

图书标准信息

• 作者 Shai Shalev-Shwartz；Shai Ben-David
• 出版社 Cambridge University Press
• 出版时间 2014
• ISBN 9781107057135
• 装帧 精装
• 开本 其他
• 纸张 其他

【内容简介】

Machine learning is one of the fastest growing areas of computer science, with far-reaching applications. The aim of this textbook is to introduce machine learning, and the algorithmic paradigms it offers, in a principled way. The book provides an extensi

【目录】

Introduction
Part I: Foundations
A gentle start
A formal learning model
Learning via uniform convergence
The bias-complexity trade-off
The VC-dimension
Non-uniform learnability
The runtime of learning
Part II: From Theory to Algorithms
Linear predictors
Boosting
Model selection and validation
Convex learning problems
Regularization and stability
Stochastic gradient descent
Support vector machines
Kernel methods
Multiclass, ranking, and complex prediction problems
Decision trees
Nearest neighbor
Neural networks
Part III: Additional Learning Models
Online learning
Clustering
Dimensionality reduction
Generative models
Feature selection and generation
Part IV: Advanced Theory
Rademacher complexities
Covering numbers
Proof of the fundamental theorem of learning theory
Multiclass learnability
Compression bounds
PAC-Bayes
Appendices
Technical lemmas
Measure concentration
Linear algebra