Вступ до машинного навчання математиків

У певному сенсі це мій перехрестя з math.stackexchange , і я маю відчуття, що цей сайт може забезпечити широку аудиторію.

Шукаю математичне вступ до машинного навчання. Зокрема, багато літератури, яку можна знайти, є відносно неточною, і багато сторінок витрачаються без будь-якого змісту.

Однак, виходячи з такої літератури, я відкрив курси Coursera від Ендрю Нґ, книги Єпископа про розпізнавання візерунків і нарешті книги Смоли. На жаль, книга Смола знаходиться лише в чорновому стані. У книзі Смоли можна знайти навіть докази, які мені подобаються. Книга Єпископа вже досить хороша, але певної суворості бракує.

Коротше кажучи: я шукаю таку книгу, як Смола, тобто максимально точну і сувору і використовую математичну основу (хоча короткі вступи, звичайно, добре).

Будь-які рекомендації?

Що ви описуєте, я настійно рекомендую "Основи машинного навчання" Mohri et.al. Це текст для студентів, але це для справді хороших студентів. Це читабельно, і це єдине місце, де я знайшов те, що я назвав би математичним визначенням машинного навчання (pac та слабкий pac). Варто прочитати лише з цієї причини. У мене є також кандидат математичних наук. Я знайомий із багатьма книгами, згаданими вище, і мені подобається. Мені особливо подобається ESL за широкий спектр методик та ідей, але це книга зі статистикою з великою кількістю математики.

Я б рекомендував Елементи статистичного навчання (безкоштовний PDF-файл). У ньому є достатня математика та гарне ознайомлення з усіма відповідними методиками - разом із деяким розумінням того, чому методи працюють (а коли вони не відповідають)

Також Вступ до статистичного навчання (що більш практично - як це зробити в R ). Він має курси статистичного навчання ; ви можете знайти лекції на YouTube (і знову безкоштовно PDF).

Напевно, вам сподобається навчання за допомогою ядер Шолкопфа та Смоли. Більшість робіт Шелкопфа є математично суворими.

Це означає, що вам, мабуть, краще читати наукові праці замість підручників. Дослідницькі роботи містять повні виведення та докази збіжності, межі ефективності тощо, які дуже часто не включаються до підручників. Гарне місце для початку - Журнал машинного навчання , який дуже цінується і повністю відкритий доступ. Я також рекомендую матеріали конференцій , як ICML , Н , Кольт і IJCNN .

Я б запропонував Розуміння машинного навчання: від теорії до алгоритмів Шая Шалева-Шварца. Я визнаю, що читав лише невеликі частини, але одразу помітив суворість, з якою автор підходив до кожної проблеми та обговорення.