Machine Learning Methods

Эта книга представляет собой популярный учебник и справочник по машинному обучению, переведённый на английский язык с китайского издания «Статистические методы обучения». Автор, Хан Ли, систематически и всесторонне представляет ключевые методы машинного обучения, следуя единой структуре изложения.

Книга охватывает как обучение с учителем (supervised learning), так и обучение без учителя (unsupervised learning). В части обучения с учителем подробно рассматриваются перцептрон, метод k-ближайших соседей, наивный байесовский классификатор, деревья решений, логистическая регрессия, модель максимальной энтропии, метод опорных векторов (SVM), бустинг, EM-алгоритм, скрытые марковские модели и условные случайные поля.

Раздел по обучению без учителя включает методы кластеризации, сингулярное разложение (SVD), метод главных компонент (PCA), латентно-семантический анализ, вероятностный латентно-семантический анализ, методы Монте-Карло для цепей Маркова, латентное размещение Дирихле и алгоритм PageRank.

Изложение построено по принципу «одна глава — один метод», что делает главы относительно независимыми и законченными. Сложные концепции объясняются доступным языком, с необходимыми доказательствами и примерами, что позволяет начинающим понять суть методов и научиться их применять. Каждая глава завершается упражнениями, ссылками на литературу и обзором современных тенденций.

Книга предназначена для использования в качестве учебного пособия по курсам статистического машинного обучения. Она ориентирована на студентов и аспирантов, изучающих искусственный интеллект, машинное обучение, обработку естественного языка и смежные дисциплины. Автор также отмечает, что в будущем планируется дополнить издание разделами по глубокому и обучению с подкреплением.