本書從概率近似正確(PAC)理論出發探討機器學習的基礎理論與典型演算法,包括PAC學習框架、VC-維、支持向量機、核方法、在線學習、多分類、排序、回歸、降維、強化學習等豐富的內容。此外,附錄部分簡要回顧了與機器學習密切相關的概率論、凸優化、矩陣以及范數等必要的預備知識。
本書重在介紹典型演算法的理論支撐並指出演算法在實際應用中的關鍵點,注重理論細節與證明過程,可作為高等院校機器學習、統計學等課程的教材,或作為相關領域研究人員的參考讀物。
梅爾亞·莫里(Mehryar Mohri)紐約大學庫蘭特數學科學研究所電腦科學與數學教授,同時任谷歌研究院的研究顧問。主要研究方向包括機器學習理論和演算法、語音處理、自動機理論和演算法、自然語言處理、計算生物學等。曾在AT&T實驗室研究部擔任部門主管和技術負責人。他是多個核心加權自動機和有限狀態機演算法的作者,在將加權有限狀態機應用於語音識別和自然語言處理方面做了開創性的工作。
阿夫欣·羅斯塔米扎達爾(Afshin Rostamizadeh)谷歌研究院高級研究員。他擁有紐約大學電腦科學博士學位,加州大學伯克利分校電子工程與電腦學士學位。
阿米特·塔爾沃卡爾(Ameet Talwalkar)卡內基·梅隆大學機器學習系助理教授,同時還是AI初創企業Determined AI的聯合創始人和首席科學家。他擁有紐約大學電腦科學-機器學習博士學位,還曾是加州大學伯克利分校電子工程與電腦系博士后研究員。