原文：
www.kdnuggets.com/2020/06/understanding-machine-learning-free-ebook.html
评论
欢迎来到每周 KDnuggets 免费电子书概述的另一期。
尽管我们在过去几周探讨了包括一些更高级的专题在内的专业话题，但我们认为现在是回到基础的时候了，本周我们介绍了**理解机器学习：从理论到算法**，由 Shai Shalev-Shwartz 和 Shai Ben-David 编著。
1. Google 网络安全证书 - 快速进入网络安全职业轨道。
2. Google 数据分析专业证书 - 提升你的数据分析能力
3. Google IT 支持专业证书 - 支持你的组织 IT
来自书籍官网：
本教材旨在以原则性方式介绍机器学习及其提供的算法范式。书中提供了机器学习基本原理的理论介绍，并且详细推导了将这些原理转化为实际算法的数学过程。在介绍了基础知识后，书中涵盖了以前的教材未涉及的广泛核心话题。
[...]
该教材为高级本科生或初级研究生设计，使学生和统计学、计算机科学、数学和工程领域的非专家读者能够理解机器学习的基础和算法。
本书具有解释性，重点讲解了各种机器学习概念的理论。这里没有代码；你不会从头编写算法，也不会使用现有库来实现任何内容。这 strictly for learning theory.
该书分为四个不同的部分，如下所示：
第一部分：基础
-
温和的开始
-
一个正式的学习模型
-
通过一致性收敛进行学习
-
偏差-复杂度权衡
-
VC 维度
-
非一致性可学习性
-
学习的运行时间
第二部分：从理论到算法
-
线性预测器
-
提升方法
-
模型选择与验证
-
凸学习问题
-
正则化与稳定性
-
随机梯度下降
-
支持向量机
-
核方法
-
多类别、排序和复杂预测问题
-
决策树
-
最近邻
-
神经网络
第三部分：附加学习模型
-
在线学习
-
聚类
-
降维
-
生成模型
-
特征选择与生成
第四部分：高级理论
-
拉德马赫复杂度
-
覆盖数
-
学习理论基本定理的证明
-
多类别学习能力
-
压缩界限
-
PAC-Bayes
在引言中，本书提出了以下一对目标：
本书的首要目标是提供一个严谨而易于跟随的机器学习主要概念的介绍：什么是学习？机器如何学习？我们如何量化学习给定概念所需的资源？学习是否总是可能的？我们能否知道学习过程是否成功或失败？
本书的第二个目标是展示几个关键的机器学习算法。我们选择展示一方面在实践中成功使用的算法，另一方面展示各种不同学习技术的广泛范围。
在解释其概念的过程中，本书在很大程度上依赖数学。实际上，彻底理解这些机器学习概念的理论基础是不可能的，但这通常会让人感到惊讶，并可能让一些人感到不知所措，因此请做好心理准备。
一旦数学理论的震撼感消退，你将发现从偏差-方差权衡到线性回归，再到模型验证策略、模型提升、核方法、预测问题等主题都有详尽的处理。这样详尽的处理的好处在于，你的理解将比单纯掌握抽象直觉更深入。
你可以直接 在这里下载本书的 PDF。
如果你正在寻找深入探讨学习概念和深度学习理论的严谨书籍，一定要将《理解机器学习：从理论到算法》加入你的短名单。
相关：
-
统计学习的要素：免费下载电子书
-
机器学习数学：免费下载电子书
-
统计推断的简明课程：免费下载电子书