《深入理解机器学习 从原理到算法》 高清PDF 百度网盘 下载分享
下载地址:网盘下载
提取密码:m3hw
目录
Understanding Machine Learning:From Theory to Algorithms
出版者的话
译者序
前言
致谢
第1章引论1
11什么是学习1
12什么时候需要机器学习2
13学习的种类3
14与其他领域的关系4
15如何阅读本书4
16符号6
第一部分理论基础
第2章简易入门10
21一般模型——统计学习理论框架10
22经验风险最小化11
23考虑归纳偏置的经验风险最小化12
24练习15
第3章一般学习模型17
31PAC学习理论17
32更常见的学习模型18
321放宽可实现假设——不可知PAC学习18
322学习问题建模19
33小结21
34文献评注21
35练习21
第4章学习过程的一致收敛性24
41一致收敛是可学习的充分条件24
42有限类是不可知PAC可学习的25
43小结26
44文献评注27
45练习27
第5章偏差与复杂性权衡28
51“没有免费的午餐”定理28
52误差分解31
53小结31
54文献评注32
55练习32
第6章VC维33
61无限的类也可学习33
62VC维概述34
63实例35
631阈值函数35
632区间35
633平行于轴的矩形35
634有限类36
635VC维与参数个数36
64PAC学习的基本定理36
65定理67的证明37
651Sauer引理及生长函数37
652有小的有效规模的类的一致收敛性39
66小结40
67文献评注41
68练习41
第7章不一致可学习44
71不一致可学习概述44
72结构风险最小化46
73最小描述长度和奥卡姆剃刀48
74可学习的其他概念——一致收敛性50
75探讨不同的可学习概念51
76小结53
77文献评注53
78练习54
第8章学习的运行时间56
81机器学习的计算复杂度56
82ERM规则的实现58
821有限集58
822轴对称矩形59
823布尔合取式59
824学习三项析取范式60
83高效学习,而不通过合适的ERM60
84学习的难度*61
85小结62
86文献评注62
87练习62
第二部分从理论到算法
第9章线性预测66
91半空间66
911半空间类线性规划67
912半空间感知器68
913半空间的VC维69
92线性回归70
921最小平方70
922多项式线性回归71
93逻辑斯谛回归72
94小结73
95文献评注73
96练习73
第10章boosting75
101弱可学习75
102AdaBoost78
103基础假设类的线性组合80
104AdaBoost用于人脸识别82
105小结83
106文献评注83
107练习84
第11章模型选择与验证85
111用结构风险最小化进行模型选择85
112验证法86
1121留出的样本集86
1122模型选择的验证法87
1123模型选择曲线88
1124k折交叉验证88
1125训练验证测试拆分89
113如果学习失败了应该做什么89
114小结92
115练习92
第12章凸学习问题93
121凸性、利普希茨性和光滑性93
1211凸性93
1212利普希茨性96
1213光滑性97
122凸学习问题概述98
1221凸学习问题的可学习性99
1222凸利普希茨/光滑有界学习问题100
123替代损失函数101
124小结102
125文献评注102
126练习102
第13章正则化和稳定性104
131正则损失最小化104
132稳定规则不会过拟合105
133Tikhonov正则化作为稳定剂106
1331利普希茨损失108
1332光滑和非负损失108
134控制适合与稳定性的权衡109
135小结111
136文献评注111
137练习111
第14章随机梯度下降114
141梯度下降法114
142次梯度116
1421计算次梯度117
1422利普希茨函数的次梯度118
1423次梯度下降118
143随机梯度下降118
144SGD的变型120
1441增加一个投影步120
1442变步长121
1443其他平均技巧121
1444强凸函数*121
145用SGD进行学习123
1451SGD求解风险极小化123
1452SGD求解凸光滑学习问题的分析124
1453SGD求解正则化损失极小化125
146小结125
147文献评注125
148练习126
第15章支持向量机127
151间隔与硬SVM127
......