Understanding Machine Learning By Shai Shalev-Shwartz and Shai Ben-David

最新推荐文章于 2018-03-13 00:00:00 发布
转载 最新推荐文章于 2018-03-13 00:00:00 发布 · 1.6k 阅读 · 0

本文提供了一系列关于机器学习的课程资源和书籍链接，包括希伯来大学、特拉维夫大学等知名机构提供的课程，涵盖从基础到进阶的内容，适合不同学习阶段的需求。

课程主页：

http://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/courses.html

电子书pdf链接：

http://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/copy.html

课程三个参考链接：

Courses

Additional courses that use the book


Online Learning基础1(Consistent算法和Halving算法)—Understanding Machine Learning: From Theory to Algorithms
fly975247003的博客
08-28 1305
在线学习提供了一种更加灵活和实时的学习方法，与传统的批量学习模型相比，它能够更快地适应新数据和变化的环境。在实际应用中，在线学习的逐步更新特性使其成为处理动态和不断变化的数据流的理想选择。
understanding machine learning theory-algorithms
10-13
1 Introduction 19 1.1 What Is Learning? 19 1.2 When Do We Need Machine Learning? 21 1.3 Types of Learning 22 1.4 Relations to Other Fields 24 1.5 How to Read This Book 25 1.5.1 Possible Course Plans Based on This Book 26 1.6 Notation 27 Part I Foundations 31 2 A Gentle Start 33 2.1 A Formal Model { The Statistical Learning Framework 33 2.2 Empirical Risk Minimization 35 2.2.1 Something May Go Wrong { Overtting 35 2.3 Empirical Risk Minimization with Inductive Bias 36 2.3.1 Finite Hypothesis Classes 37 2.4 Exercises 41 3 A Formal Learning Model 43 3.1 PAC Learning 43 3.2 A More General Learning Model 44 3.2.1 Releasing the Realizability Assumption { Agnostic PAC Learning 45 3.2.2 The Scope of Learning Problems Modeled 47 3.3 Summary 49 3.4 Bibliographic Remarks 50 3.5 Exercises 50 4 Learning via Uniform Convergence 54 4.1 Uniform Convergence Is Sucient for Learnability 54 4.2 Finite Classes Are Agnostic PAC Learnable 55 Understanding Machine Learning, c 2014 by Shai Shalev-Shwartz and Shai Ben-David Published 2014 by Cambridge University Press. Personal use only. Not for distribution. Do not post. Please link to http://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning x Contents 4.3 Summary 58 4.4 Bibliographic Remarks 58 4.5 Exercises 58 5 The Bias-Complexity Tradeo 60 5.1 The No-Free-Lunch Theorem 61 5.1.1 No-Free-Lunch and Prior Knowledge 63 5.2 Error Decomposition 64 5.3 Summary 65 5.4 Bibliographic Remarks 66 5.5 Exercises 66 6 The VC-Dimension 67 6.1 Innite-Size Classes Can Be Learnable 67 6.2 The VC-Dimension 68 6.3 Examples 70 6.3.1 Threshold Functions 70 6.3.2 Intervals 71 6.3.3 Axis Aligned Rectangles 71 6.3.4 Finite Classes 72 6.3.5 VC-Dimension and the Number of Parameters 72 6.4 The Fundamental Theorem of PAC learning 72 6.5 Proof of Theorem 6.7 73 6.5.1 Sauer's Lemma and the Growth Function 73 6.5.2 Uniform Convergence for Classes of Small Eective Size 75 6.6 Summary 78 6.7 Bibliographic remarks 78 6.8 Exercises 78 7 Nonuniform Learnability 83 7.1
Understanding Machine Learning： From Theory to Algorithms
08-01
Understanding Machine Learning： From Theory to Algorithms
Understanding Machine Learning: From Theory to Algorithms
jeleit的专栏
09-13 1615
Courses Introduction to Machine Learning, HUJI 67577, 2014. This is an undergraduate course given at the Hebrew univerisity of Jerusalem by Prof. Shai Shalev-Shwartz. The course website contain
Understanding Machine Learning - From Theory to Algorithms
06-25
Understanding Machine Learning - From Theory to Algorithms 英文版
Online Learning and Online Convex Optimization By Shai Shalev-Shwartz
03-07
这本书是 Online Learning 领域的入门必读之书，其作者是 Online Learning 领域的 大牛Shai Shalev-Shwartz， 同时也是 Understanding Machine Learning 的作者。
Shai Shalev-Shwartz机器学习课程全集
由于课程的讲解是由Shai Shalev-Shwartz这位专家提供的，我们可以预期课程内容会在以上知识点的基础上有深入的讲解，并包含一些最新的研究成果和实际案例分析，以提升学生对机器学习的全面理解和应用能力。
精选资源
Understanding Machine Learning-from theory to algorithm（英文原版）
最新发布
05-18
Understanding Machine Learning-from theory to algorithm（英文原版） 作者：Shai Shalev-Shwartz and Shai Ben-David pdf版 学习机器学习的大乘书籍
UNDERSTANDING MACHINE LEARNING From Theory to Algorithms
11-07
非扫描、高清版本 UNDERSTANDING MACHINE LEARNING From Theory to Algorithms Shai Shalev-Shwartz The Hebrew University, Jerusalem Shai Ben-David University of Waterloo, Canada
understanding-machine-learning-theory-algorithms
10-31
understanding-machine-learning-theory-algorithms
understanding machine learning
03-30
The book provides an extensive theoretical account of the fundamental ideas underlying machine learning and the mathematical derivations that transform these principles into practical algorithms. Following a presentation of the basics of the field, the book covers a wide array of central topics that have not been addressed by previous textbooks.
machinelearning:牛津机器学习实践
06-19
机器学习 2014 牛津大学计算机科学系 C 部分本科/硕士课程，由 Nando de Freitas 主讲 （他的所有应有权利） Torch 中的实践练习（和偶尔的问题表）解决方案 实践 1：理解 Torch 代码和从 Tensor 中切分列的简单练习（第 2 周） 实践 2：使用 SGD 和最小二乘法测试线性回归的意义，实现岭回归（第 3 周） 实用 3：理解、测试和优化 Logistic 回归（第 4-5 周）
Understanding Machine Learning —— pdf下载
Chris_zhangrx的博客
11-16 2767
参考博客：http://blog.youkuaiyun.com/uniview001/article/details/48435091高清pdf下载：http://pan.baidu.com/s/1mizfCVm 密码：x0i1
AI工程师必读的10本ML读物（附PDF下载）
数据派THU
03-13 4253
作者：PRANAVDAR翻译：李海明本文共1728字，建议阅读4分钟。本文为大家带来3个方向共10本的机器学习读物，附带免费的书籍资源哦~微信后台回复“学习读物”获取文章内的书籍资源介绍你嗜书如命却囊中羞涩？很多机器学习与数据科学书籍的价格都令人退避三舍。其实这也无可厚非，毕竟是作者呕心沥血、卧薪尝胆换来的硕果。 然而，这些作者中也不乏善良仁爱之士，将其作品无偿分享给他人。这对于那些有志成为数据科
机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)
jaccen的专栏
05-11 2835
《Image Scaling using Deep Convolutional Neural Networks》 介绍:使用卷积神经网络的图像缩放. 《Proceedings of The 32nd International Conference on Machine Learning》 介绍:ICML2015 论文集,优化4个+稀疏优化1个；强化学习4个，深度学习3个+深度学
关于机器学习的领悟与反思——北大张志华
四纪启悟 · 数据科学
01-12 2357
选文摘自：北京大数据研究院BIBDR / 北京大学北京北张志华——北京大学数学学院教授，北京大数据研究院高级研究员。曾在浙江大学和上海交通大学计算机系任教。主要从事机器学习与应用统计等领域的教学与科研工作。   近年来，人工智能的强势崛起，特别是去年AlphaGo和韩国九段棋手李世石的人机大战，让我们深刻地领略到了人工智能技术的巨大潜力。数据是载体，智能是目标，而机器学习是从数据通往智
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值