Машинное обучение — один из самых быстро развивающихся разделов информатики, с приложениями в самых разных областях. Цель этой книги — познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, PAC-байесовский подход и границы сжатия.
Книга задумывалась как повышенный курс для студентов средних и старших курсов, фундаментальные основы и алгоритмы машинного обучения излагаются в форме, доступной студентам и читателям, не являющимся специалистами в области математической статистики, информатики, математики и технических дисциплин.
Важнейшие алгоритмы машинного обучения
Когда необходимо машинное обучение
Вычислительная сложность обучения
Обучение нейронных сетей
Оценка максимального правдоподобия
Инструмент для извлечения информации из больших наборов данных

Предисловие
Глава 1. Введение
ЧАСТЬ I. ОСНОВАНИЯ
Глава 2. Малый вперед
Глава 3. Формальная модель обучения
Глава 4. Обучаемость и равномерная сходимость
Глава 5. Компромисс между смещением и сложностью
Глава 6. VC-размерность
Глава 7. Неравномерная обучаемость
Глава 8. Время обучения
ЧАСТЬ II. ОТ ТЕОРИИ К АЛГОРИТМАМ
Глава 9. Линейные предикторы
Глава 10. Усиление
Глава 11. Выбор и контроль модели
Глава 12. Выпуклые проблемы обучения
Глава 13. Регуляризация и устойчивость
Глава 14. Стохастический градиентный спуск
Глава 15. Метод опорных векторов
Глава 16. Ядерные методы
Глава 17. Многоклассовая категоризация, ранжирование и сложные проблемы предсказания
Глава 18. Решающие деревья
Глава 19. Ближайшие соседи
Глава 20. Нейронные сети
ЧАСТЬ III. ДОПОЛНИТЕЛЬНЫЕ МОДЕЛИ ОБУЧЕНИЯ
Глава 21. Онлайновое обучение
Глава 22. Кластеризация
Глава 23. Понижение размерности
Глава 24. Порождающие модели
Глава 25. Отбор и порождение признаков
ЧАСТЬ IV. ДОПОЛНИТЕЛЬНЫЕ ГЛАВЫ
Глава 26. Радемахеровская сложность
Глава 27. Числа покрытия
Глава 28. Доказательство фундаментальной теоремы теории обучения
Глава 29. Многоклассовая обучаемость
Глава 30. Границы сжатия
Глава 31. PAC-байесовский подход
Приложение A. Технические леммы
Приложение B. Концентрация меры
Приложение C. Линейная алгебра
Литература
Предметный указатель