Pengantar pembelajaran mesin untuk matematikawan

Dalam beberapa hal ini adalah persimpangan saya dari math.stackexchange , dan saya merasa bahwa situs ini mungkin menyediakan khalayak luas.

Saya mencari pengantar matematika untuk pembelajaran mesin. Khususnya, banyak literatur yang dapat ditemukan relatif tidak tepat dan banyak halaman dihabiskan tanpa konten apa pun.

Namun, mulai dari literatur seperti itu, saya menemukan kursus Coursera dari Andrew Ng, buku Uskup tentang pengenalan pola dan akhirnya buku Smola. Sayangnya, buku Smola hanya dalam konsep negara. Dalam buku Smola bahkan bukti dapat ditemukan, yang menarik bagiku. Buku Bishop sudah cukup bagus, tetapi ada beberapa kekakuan yang hilang.

Singkatnya: Saya mencari buku seperti Smola, yaitu, setepat dan sekuat mungkin dan menggunakan latar belakang matematika (meskipun perkenalan singkat tentu saja OK).

Ada rekomendasi?

Untuk apa yang Anda jelaskan, saya sangat merekomendasikan "Yayasan Pembelajaran Mesin" oleh Mohri et.al. Ini adalah teks sarjana, tetapi untuk sarjana yang benar-benar bagus. Ini dapat dibaca dan itu adalah satu-satunya tempat saya telah menemukan apa yang saya sebut definisi matematika dari pembelajaran mesin (pac dan pac lemah). Perlu membaca karena alasan itu saja. Saya juga punya gelar Phd matematika. Saya kenal, dan seperti, banyak buku yang disebutkan di atas. Saya terutama menyukai ESL untuk spektrum teknik dan ide yang luas, tetapi ini adalah buku statistik dengan banyak matematika.

Saya akan merekomendasikan Elemen Pembelajaran Statistik (file PDF gratis). Ini memiliki matematika yang cukup dan pengantar yang baik untuk semua teknik yang relevan - bersama dengan beberapa wawasan tentang mengapa teknik ini bekerja (dan ketika mereka tidak).

Juga Pengantar Pembelajaran Statistik (yang lebih praktis - bagaimana melakukannya di R ). Ini memiliki kursus menjalankan pembelajaran statistik ; Anda mungkin menemukan ceramah di YouTube (dan PDF gratis lagi).

Anda mungkin akan menyukainya Belajar Dengan Kernel oleh Schölkopf dan Smola. Sebagian besar karya Schölkopf sangat matematis.

Yang mengatakan, Anda mungkin lebih baik membaca makalah penelitian daripada buku teks. Makalah penelitian berisi derivasi penuh dan bukti konvergensi, batasan kinerja, dll. Yang sangat sering tidak dimasukkan dalam buku teks. Tempat yang baik untuk memulai adalah Journal of Machine Learning , yang sangat dihargai dan aksesnya sepenuhnya terbuka. Saya juga merekomendasikan acara konferensi seperti ICML , NIPS , COLT dan IJCNN .

Saya sarankan Memahami Pembelajaran Mesin: Dari Teori ke Algoritma oleh Shai Shalev-Shwartz. Saya akui bahwa saya hanya membaca sebagian kecil saja, tetapi saya segera melihat ketelitian yang penulis dekati setiap masalah dan diskusi.