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。

出版社简介

Wiley-IEEE Press

Wiley-IEEE Press 是 Wiley 与 IEEE 合作出版的技术类图书品牌，公开资料有限，其出版方向主要落在电气工程、计算机科学与人工智能等交叉领域。库内收录的代表作《Learning from Data: Concepts, Theory, and Methods》第2版，由弗拉基米尔·切尔卡斯基与 Filip M. Mulier 合著，属于计算机与人工智能方向的理论知识读物。该书围绕数据学习的核心概念、理论框架与方法体系展开，注重概念阐释与理论推导的结合，而非单纯罗列算法步骤或工具操作，适合希望理解学习算法背后原理的读者。从这一品种可以看出，该社偏重学术性与方法论的深度，强调基础理论与工程应用之间的衔接，作者多为相关领域的研究者。

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。

读者评论

查询本书

本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。

作者简介

弗拉基米尔·切尔卡斯基作者

弗拉基米尔·切尔卡斯基（Vladimir Cherkassky）是一位以数据学习与机器学习理论见长的作者，其代表作为《Learning from Data: Concepts, Theory, and Methods》第2版。该书面向计算机与人工智能领域的读者，系统讨论从数据中学习的基本概念、理论框架与方法要点，兼具教材的条理性和研究参考价值。关于他的国籍、生卒年、教育背景与职业经历，公开资料有限，目前难以确证，因此不宜作过多推断。从库内收录情况看，他进入中文读者视野主要依托这一部作品，常见分类集中在计算机、人工智能与理论知识，适合希望理解学习算法原理而非仅关注应用工具的高校师生和技术人员阅读。其写作注重概念与方法的衔接，在理论阐述上较为严谨。

Filip M. Mulier 作者

Filip M. Mulier 是一位在计算机与人工智能领域从事理论方法研究的作者，公开资料有限，其国籍、生卒年及个人经历均未见明确记载。目前库内收录其作品仅一种，即与数据学习相关的《Learning from Data: Concepts, Theory, and Methods》第2版，该书常被归入计算机、人工智能与理论知识类。从题材看，他关注的是从数据中学习的基本概念、理论框架与方法体系，而非具体编程技巧或应用案例，写作偏向原理梳理与体系建构，适合希望理解机器学习理论基础的读者参考。由于可查证的公开信息较少，对其学术背景与创作全貌难以进一步展开，读者可结合该书内容了解其研究取向。