수학자를위한 머신 러닝 소개

어떤 의미에서 이것은 math.stackexchange 에서 얻은 크로스 포스트이며이 사이트가 광범위한 대상을 제공 할 수 있다고 생각합니다.

기계 학습에 대한 수학적 소개를 찾고 있습니다. 특히, 찾을 수있는 많은 문헌은 비교적 부정확하며 많은 페이지가 내용없이 사용됩니다.

그러나 문학에서 시작, 내가 발견 한 코 세라의 앤드류 응, 패턴 인식에 주교의 책과 Smola의 마지막 책에서 과정을. 불행히도, 스 몰라서는 초안 상태에 있습니다. 스 몰라의 책에서 증거를 찾을 수 있는데, 그것은 나에게 호소력이 있습니다. 주교의 책은 이미 훌륭하지만 어느 정도 엄격하지 않습니다.

요컨대, 나는 Smola와 같은 책을 찾고 있는데, 그것은 가능한 한 정확하고 엄격하며 수학적 배경을 사용합니다 (짧은 소개는 물론 괜찮습니다).

어떤 추천?

귀하가 설명하는 내용에 대해서는 Mohri et.al의 "기계 학습의 기초"를 적극 권장합니다. 그것은 학부 텍스트이지만, 정말 좋은 학부생을위한 것입니다. 읽을 수 있으며 기계 학습 (pac 및 weak pac)의 수학적 정의라고 부르는 것을 찾은 유일한 곳입니다. 그 이유만으로 읽을 가치가 있습니다. 나는 또한 수학 박사 학위가 있습니다. 나는 위에서 언급 한 많은 책들에 대해 잘 알고 있습니다. 특히 광범위한 기술과 아이디어로 ESL을 좋아하지만 수학이 많은 통계 책입니다.

내가 추천 할 것입니다 통계 학습의 요소 (무료 PDF 파일). 그것은 충분한 수학과 모든 관련 기술에 대한 좋은 소개와 기술이 작동하는 이유와 그렇지 않은 경우에 대한 통찰력을 가지고 있습니다.

또한 통계 학습 소개 (더 실용적이다 - 그것을 수행하는 방법에 R ). 통계 학습을 실행하는 과정이 있습니다 . YouTube에서 강의를 찾을 수 있습니다 (그리고 다시 무료 PDF).

Schölkopf와 Smola의 Learning With Kernels 를 좋아할 것입니다 . Schölkopf의 작업은 대부분 수학적으로 엄격합니다.

즉, 교과서 대신 연구 논문을 읽는 것이 좋습니다. 연구 논문에는 교과서에 포함되지 않은 완전한 파생 및 수렴 증명, 성능 제한 등이 포함됩니다. 시작하기 좋은 곳은 Journal of Machine Learning 입니다. 또한 ICML , NIPS , COLT 및 IJCNN 과 같은 회의 진행을 권장합니다 .

Shai Shalev-Shwartz의 머신 러닝 이해 : 이론에서 알고리즘까지 제안 합니다. 나는 그것의 작은 부분만을 읽었 음을 인정하지만 저자가 모든 문제와 토론에 접근하는 것이 엄밀하다는 것을 즉시 알았습니다.