机器学习理论导引

　　前言
　　主要符号表
　　第1章 预备知识  ……………………………………………………………… 1
　　1.1 函数的性质  ………………………………………………………………… 1
　　1.2 重要不等式  ……………………………………………………………… 5
　　1.3 化基础  ……………………………………………………………… 9
　　1.4 支持向量机  ……………………………………………………………… 13
　　1.5 理论的作用  ……………………………………………………………… 18
　　1.6 阅读材料  ………………………………………………………………… 19
　　习题  ……………………………………………………………………………… …
　查看完整　　

　　作者简介：周志华 教授，南京大学计算机系主任、人工智能学院院长、校学术委员会委员。欧洲科学院外籍院士。人工智能相关五大主流国际学会ACM、AAAI、AAAS、IEEE、IAPR均入选Fellow的首位华人学者，中国计算机学会、中国人工智能学会会士。曾获IEEE计算机学会Edward J. McCluskey技术成就奖、CCF王选奖等。著有《机器学习》（清华大学出版社）等。王魏，南京大学计算机系副教授。主要研究方向为机器学习理论，曾获中国计算机学会优秀博士学位论文奖、江苏省优秀博士学位论文奖、CCF青年人才发展计划等荣誉。高尉，南京大学人工智能学院副教授。主要研究方向为机器学习理论，曾获中国计算机学会优秀博士学位论文奖、江苏省优秀博士学位论文奖等荣誉。张利军，南京大学计算机系副教授、博士生导师。主要研究方向为大规模机器学习与优化，曾获首届达摩院青橙奖、中国科协青年人才托举工程、CCF青年人才发展计划等荣誉。

　　机器学习领域著名学者周志华教授领衔的南京大学LAMDA团队四位教授合著
　　系统梳理机器学习理论中的七大重要概念或理论工具，并给出若干分析实例
　　机器学习理论内容浩瀚广博，旨在为机器学习理论研究的读者提供入门导引
　　本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。 除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。

　　前言
　　主要符号表
　　第1章 预备知识  ……………………………………………………………… 1
　　1.1 函数的性质  ………………………………………………………………… 1
　　1.2 重要不等式  ……………………………………………………………… 5
　　1.3 化基础  ……………………………………………………………… 9
　　1.4 支持向量机  ……………………………………………………………… 13
　　1.5 理论的作用  ……………………………………………………………… 18
　　1.6 阅读材料  ………………………………………………………………… 19
　　习题  ……………………………………………………………………………… 21
　　参考文献  ………………………………………………………………………… 22
　　第2章 可学性  ……………………………………………………………… 25
　　2.1 基本概念  …………………………………………………………………25
　　2.2 PAC学习  …………………………………………………………………… 26
　　2.3 分析实例  ………………………………………………………………… 30
　　2.4 阅读材料  ………………………………………………………………… 35
　　习题  ……………………………………………………………………………… 36
　　参考文献  ……………………………………………………………………… 37
　　第3章 复杂度  ……………………………………………………………39
　　3.1 数据分布无关  ………………………………………………………… 39
　　3.2 数据分布相关  ………………………………………………………… 46
　　3.3 分析实例  ……………………………………………………………… 50
　　3.4 阅读材料  …………………………………………………………………56
　　习题  ..……………………………………………………………………………… 58
　　参考文献  ……………………………………………………………………… 59
　　第4章 泛化界  ……………………………………………………………… 61
　　4.1 泛化误差上界  ………………………………………………………… 61
　　4.2 泛化误差下界  ………………………………………………………… 71
　　4.3 分析实例  ………………………………………………………………… 78
　　4.4 阅读材料  ………………………………………………………………… 83
　　习题  ……………………………………………………………………………… 84
　　参考文献  ……………………………………………………………………… 86
　　第5章 稳定性  …………………………………………………………… 89
　　5.1 基本概念  ………………………………………………………………… 89
　　5.2 重要性质  ………………………………………………………………… 92
　　5.3 分析实例  ………………………………………………………………… 98
　　5.4 阅读材料  ………………………………………………………………… 107
　　习题  ……………………………………………………………………………… 108
　　参考文献  ……………………………………………………………………… 110
　　第6章 一致性  …………………………………………………………… 113
　　6.1 基本概念  ……………………………………………………………… 113
　　6.2 替代函数  ……………………………………………………………… 117
　　6.3 划分机制  ……………………………………………………………… 122
　　6.4 分析实例  ……………………………………………………………… 125
　　6.5 阅读材料  ……………………………………………………………… 132
　　习题  ………………………………………………………………………… 134
　　参考文献  ………………………………………………………………… 135
　　第7章 收敛率  …………………………………………………………… 137
　　7.1 基本概念  ……………………………………………………………… 137
　　7.2 确定优化  ……………………………………………………………… 139
　　7.3 随机优化  ……………………………………………………………… 143
　　7.4 分析实例  ………………………………………………………………155
　　7.5 阅读材料  ……………………………………………………………… 157
　　习题  ……………………………………………………………………………… 159
　　参考文献  ……………………………………………………………………… 161
　　第8章 遗憾界  …………………………………………………………… 163
　　8.1 基本概念  ……………………………………………………………… 163
　　8.2 完全信息在线学习  ……………………………………………… 165
　　8.3 赌博机在线学习  ………………………………………………….170
　　8.4 分析实例  ……………………………………………………………184
　　8.5 阅读材料  …………………………………………………………… 188
　　习题  …………………………………………………………………………… 189
　　参考文献  …………………………………………………………………… 191
　　索引  ………………………………………………………………………… 193
^ 收 起　　

　　作者简介：周志华 教授，南京大学计算机系主任、人工智能学院院长、校学术委员会委员。欧洲科学院外籍院士。人工智能相关五大主流国际学会ACM、AAAI、AAAS、IEEE、IAPR均入选Fellow的首位华人学者，中国计算机学会、中国人工智能学会会士。曾获IEEE计算机学会Edward J. McCluskey技术成就奖、CCF王选奖等。著有《机器学习》（清华大学出版社）等。王魏，南京大学计算机系副教授。主要研究方向为机器学习理论，曾获中国计算机学会优秀博士学位论文奖、江苏省优秀博士学位论文奖、CCF青年人才发展计划等荣誉。高尉，南京大学人工智能学院副教授。主要研究方向为机器学习理论，曾获中国计算机学会优秀博士学位论文奖、江苏省优秀博士学位论文奖等荣誉。张利军，南京大学计算机系副教授、博士生导师。主要研究方向为大规模机器学习与优化，曾获首届达摩院青橙奖、中国科协青年人才托举工程、CCF青年人才发展计划等荣誉。

　　机器学习领域著名学者周志华教授领衔的南京大学LAMDA团队四位教授合著
　　系统梳理机器学习理论中的七大重要概念或理论工具，并给出若干分析实例
　　机器学习理论内容浩瀚广博，旨在为机器学习理论研究的读者提供入门导引
　　本书旨在为有志于机器学习理论学习和研究的读者提供一个入门导引。在预备知识之后，全书各章分别聚焦于：可学性、（假设空间）复杂度、泛化界、稳定性、一致性、收敛率、遗憾界。 除介绍基本概念外，还给出若干分析实例，如显示如何将不同理论工具应用于支持向量机这种常见机器学习技术。