Foundations of Machine Learning (Second Edition) - це фундаментальний академічний підручник з теорії машинного навчання, написаний провідними дослідниками Мехріяром Мохрі, Афшином Ростамізаде та Амідом Талвалкаром. Книга зосереджена на строгому математичному підґрунті сучасного машинного навчання та орієнтована на студентів магістратури, аспірантів, дослідників і практиків, які прагнуть глибоко зрозуміти теоретичні гарантії алгоритмів навчання.

Друге видання істотно розширене та оновлене. Воно охоплює PAC-навчання, складність Радемахера, VC-розмірність, вибір моделей, методи опорних векторів, ядерні методи, бустинг, онлайн-навчання, багатокласову класифікацію, ранжування, регресію, максимальну ентропію, алгоритмічну стабільність, зменшення розмірності та навчання з підкріпленням. Особливу увагу приділено узагальнювальним оцінкам, регуляризації та зв’язку з теорією ігор.

Книга поєднує формальні доведення, інтуїтивні пояснення та вправи, що робить її еталонним джерелом для теоретично обґрунтованого вивчення машинного навчання.

Preface

1. Introduction
   1.1 What is machine learning?
   1.2 What kind of problems can be tackled using machine learning?
   1.3 Some standard learning tasks
   1.4 Learning stages
   1.5 Learning scenarios
   1.6 Generalization

2. The PAC Learning Framework
   2.1 The PAC learning model
   2.2 Guarantees for finite hypothesis sets - consistent case
   2.3 Guarantees for finite hypothesis sets - inconsistent case
   2.4 Generalities
   2.5 Chapter notes
   2.6 Exercises

3. Rademacher Complexity and VC-Dimension

4. Model Selection

5. Support Vector Machines

6. Kernel Methods

7. Boosting

8. On-Line Learning

9. Multi-Class Classification

10. Ranking

11. Regression

12. Maximum Entropy Models

13. Conditional Maximum Entropy Models

14. Algorithmic Stability

15. Dimensionality Reduction

16. Learning Automata and Languages

17. Reinforcement Learning

Conclusion

Appendix A. Linear Algebra Review

Index