Pengantar pembelajaran mesin untuk matematikawan


23

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?


1
Di masa depan tolong jangan menyeberang.
Momo

Sepertinya pertanyaannya belum selesai - terputus setelah "dan".
JW

maaf, entah bagaimana edit saya lenyap.
Quickbeam2k1

1
Anda mungkin ingin menjelaskan mengapa seorang ahli matematika ingin belajar tentang pembelajaran mesin (untuk mencari pekerjaan sebagai ilmuwan data / melakukan penelitian / dll) yang akan membantu orang mengarahkan Anda ke arah yang benar
seanv507

1
untuk ilmu data saya berpendapat Anda perlu pemahaman statistik dasar (misalnya regresi linier / logistik), desain eksperimental-misalnya pengujian ab dll, dan di samping itu pemahaman tentang teknik sistem rekomendasi
seanv507

Jawaban:


9

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.


1
Btw, saya diberitahu bahwa Schapire, dalam tesisnya membuktikan bahwa PAC yang lemah menyiratkan PAC. Buktinya sama dengan teknik meningkatkan, jadi itu adalah contoh yang bagus tentang bagaimana pertanyaan teoretis menghasilkan hasil yang sangat praktis.
meh

Terima kasih atas komentar Anda. Saya pikir saya akan bekerja dengan ESL nanti setelah bekerja dengan buku
Shwartz

12

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).


3
Itu adalah rekomendasi yang sangat bagus. Selain itu, saya menyarankan "Belajar dari Data" dari Yaser S. Abu-Mostafa. Ini sangat teoritis tetapi menjelaskan topik yang sangat jelas seperti kelayakan pembelajaran dan dimensi VC. Adalah video dan slide yang tersedia online .
tiagotvv

Saya mendukung saran "Belajar dari Data" dari Yaser S. Abu-Mostafa. Buku ini sangat pendek tetapi penuh dengan informasi berharga. Banyak fokus memang diberikan pada kelayakan pembelajaran dan kompleksitas.
Vladislavs Dovgalecs

7

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 .


terima kasih untuk petunjuknya dengan jurnal. Namun, saya khawatir jurnal-jurnal itu, sejauh ini, terlalu maju untuk saya. Meski demikian, migth ini menjadi sumber berharga untuk masa depan.
Quickbeam2k1

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.