Learning from Data: Concepts, Theory, and Methods（第2版）

Name: Learning from Data: Concepts, Theory, and Methods（第2版）
ISBN: 9780471681823

弗拉基米尔·切尔卡斯基 / Filip M. MulierWiley-IEEE Press2007年

暂无评分

章节数: 17
ISBN: 9780471681823

信息有误查询本书

内容简介

本书是 Wiley-IEEE Press 于 2007 年出版的第 2 版，作者为明尼苏达大学电子与计算机工程系教授 Vladimir Cherkassky 与 Filip M. Mulier。全书试图为「从数据中学习依赖关系」建立统一的跨学科概念框架：把统计学、神经网络与模式识别中的各类学习方法放在同一套原理之下讨论，说明近年涌现的大量新方法在根本上共享少数几条基本思路。全书分为若干层次：先界定预测性学习问题（密度估计、分类、回归），并讨论有限样本下的经典方法与非参数方法、随机逼近；继而引入正则化框架，讲解维数灾难、惩罚项、模型选择与偏差—方差权衡；再系统展开统计学习理论，包括 ERM 一致性条件、生长函数与 VC 维、泛化界、结构风险最小化，并把 VC 维与奥卡姆剃刀、波普尔可证伪性联系起来；随后讨论非线性优化策略（反向传播、EM、贪婪优化、CART）以及数据约简与降维方法。第 2 版对支持向量机一章做了全面改写，新增非归纳推断与替代学习形式一章，并深入讨论 VC 理论与其他范式的关系。书中配有百余幅插图、案例与习题，各章附小结，兼顾理论深度与可读性，适合研究生课程使用。

编辑推荐

这本书的价值不在「教你调用库」，而在「让你明白为什么能学」。很多读者学完一堆算法后仍答不出两个问题：模型复杂度与泛化能力之间到底是什么关系？有限样本下凭什么相信训练结果？Cherkassky 与 Mulier 用统一的预测性学习框架把这两个问题讲透，并把 VC 维、结构风险最小化、正则化、偏差—方差权衡串成一条主线，而不是彼此孤立的技巧。第 2 版的可贵之处在于更新及时：支持向量机一章彻底重写，还新增了非归纳推断与替代学习形式的讨论，使全书不局限于 90 年代的方法论。它的写法偏学术、偏框架，不追求代码实操，却在概念层面十分扎实，百餘幅插图和案例让抽象理论有落点。对于想从「会用」走向「懂原理」的读者，它是一部能反复回读的案头参考书。需要提醒的是，这是 2007 年的英文原版，深度学习时代的新进展不在其中，宜与其他教材配合阅读。

适合谁读

适合

已掌握基础机器学习算法、希望系统理解其理论根据的研究生与工程师
统计学、电子工程、计算机等专业修读模式识别或学习理论课程的学生
需要撰写论文、想厘清 VC 维与泛化界等概念的研究人员
偏好英文原版、习惯用统一框架梳理知识的自学者

不适合

零基础入门读者：书中大量使用线性代数、概率论与最优化记号，未做铺垫
只想要可运行代码与调参技巧的工程实践者，本书几乎不讲编程实现
希望了解深度学习、Transformer 等近年进展的读者，本书内容止于 2007 年

阅读建议

先读第 1、2 章建立预测性学习的问题框架，再进入第 3、4 章的正则化与统计学习理论主线。
第 4 章公式密集，建议配合笔记推导生长函数与 VC 维的例题，不要只看结论。
把第 5、6 章的优化与降维方法当作工具箱，遇到具体算法时回查对应小节，而非顺序硬读。
与同类教材对照阅读，例如以实践见长的《Learning from Data: A Short Course》，互为补充。

前言
符号说明
1 引言（学习与统计估计、统计依赖与因果、变量刻画、不确定性刻画、预测性学习与其他数据分析方法）
2 问题陈述、经典方法与自适应学习（学习问题的形式化、经典方法、自适应学习与归纳原则）
3 正则化框架（维数灾难与复杂度、函数逼近、惩罚化、模型选择与复杂度控制、偏差—方差权衡）
4 统计学习理论（ERM 一致性与收敛条件、生长函数与 VC 维、泛化界、结构风险最小化、回归模型选择比较、VC 维与奥卡姆剃刀）
5 非线性优化策略（随机逼近方法、迭代方法、EM、贪婪优化、神经网络构造算法、分类与回归树）
6 数据约简与降维方法（向量量化与聚类、广义 Lloyd 算法、EM 聚类、模糊聚类、统计降维方法）
7 支持向量机（第 2 版改写章节）
8 非归纳推断与替代学习形式
9 案例研究与应用示例
10 哲学与方法论讨论
11 结语
附录 A 概率与统计基础
附录 B 特征值与奇异值分解
参考文献
索引

常见问题

这本书和 Abu-Mostafa 等人的《Learning from Data》是同一本吗？

不是。两者书名相近但作者与内容不同。Abu-Mostafa、Magdon-Ismail、Lin 合著的《Learning from Data: A Short Course》是面向短课程的入门教材；本书由 Cherkassky 与 Mulier 撰写，副标题为 Concepts, Theory, and Methods，理论性更强，由 Wiley-IEEE Press 出版。

第 2 版相比第 1 版有哪些更新？

据出版社说明，第 2 版对支持向量机一章做了全面改写，新增关于非归纳推断与替代学习形式的一章，并更深入地讨论 VC 理论方法与其他学习范式之间的关系，同时补充了插图、案例与各章小结。

书中使用什么数学工具，需要什么基础？

全书涉及概率统计、线性代数（含特征值与奇异值分解，见附录 B）、最优化与函数逼近。建议先具备本科水平的概率论、线性代数和微积分基础，否则第 4 章的泛化界推导会较难跟进。

这本书有中文译本吗？

目前未见可靠资料显示该书有正式出版的中文译本，市面流传的多为英文原版或非正式影印版本。如需购买，建议通过 Wiley 官网或正规外文书店按 ISBN 9780471681823 查询。

本书适合作为课程教材吗？

适合。作者在前言中说明内容面向工程、计算机与统计专业的研究生，兼顾初学与进阶读者，各章附小结与习题，并配有百余幅插图和案例，可直接用作一学期的学习理论或模式识别课程教材。