深入理解机器学习：从原理到算法涵盖了机器学习领域中的严谨理论和实用方法，讨论了学习的计算复杂度、凸性和稳定性、PAC-贝叶斯方法、压缩界等概念，并介绍了一些重要的算法范式，包括随机梯度下降、神经元网络以及结构化输出。
全书讲解全面透彻，适合有一定基础的高年级本科生和研究生学习，也适合作为IT行业从事数据分析和挖掘的专业人员以及研究人员参考阅读。
目录
第1章引论1
第一部分理论基础
第2章简易入门10
第3章一般学习模型17
第4章学习过程的一致收敛性24
第5章偏差与复杂性权衡28
第6章VC维33
第7章不一致可学习44
第8章学习的运行时间56
第二部分从理论到算法
第9章线性预测66
第10章boosting75
第11章模型选择与验证85
第12章凸学习问题93
第13章正则化和稳定性104
第14章随机梯度下降114
第15章支持向量机127
第16章核方法136
第17章多分类、排序与复杂预测问题145
第18章决策树162
第19章最近邻167
第20章神经元网络174
第三部分其他学习模型
第21章在线学习186
第22章聚类201
第23章维度约简212
第24章生成模型226
第25章特征选择与特征生成237
第四部分高级理论
第26章拉德马赫复杂度250
第27章覆盖数260
第28章学习理论基本定理的证明263
第29章多分类可学习性271
第30章压缩界277
第31章PAC?贝叶斯281
下载体验