今天，我要给大家推荐一本的机器学习教材——《机器学习》，强烈建议大家下载PDF版本阅读！
这本书的作者Tom M. Mitchell在机器学习领域颇有建树。书的目标是展现机器学习的核心算法和理论，它最大的亮点在于融合了多学科知识。机器学习本身就从统计学、人工智能、哲学、信息论等众多学科吸收成果和概念，而这本书在讲解时，会在必要处介绍相关学科的基本概念，像统计学中的误差刻画、人工智能里的学习概念符号表示等，让读者能从多学科视角理解机器学习。
书中内容丰富全面，涵盖了机器学习的多个关键方面。在绪论部分，作者从实际应用场景出发，像信用卡交易欺诈检测、信息过滤系统等。同时，还给出了学习问题的标准定义，以西洋跳棋、手写识别等为例，清晰地展示了如何明确学习任务中的任务种类、性能衡量标准和经验来源。
概念学习和决策树学习是机器学习的重要基础内容。在概念学习章节，作者通过“Aldo进行水上运动的日子”这一实例，详细介绍了从特殊训练样例中归纳出一般概念的方法，还深入探讨了假设空间的搜索策略，如Find – S算法和候选消除算法，让我们理解如何在假设空间中找到与训练样例一致的假设。决策树学习章节则以“星期六上午是否适合打网球”为例，讲解了决策树的表示法、适用问题以及ID3等基本算法，还分析了决策树学习中的归纳偏置和过度拟合问题，并给出了解决办法。
人工神经网络也是本书的重点内容。它为学习实数值和向量值函数提供了实用方法，在手写识别、机器人控制等领域应用广泛。书中以ALVINN系统学习驾驶汽车为例，介绍了神经网络的表示和训练方法，如感知器、线性单元和sigmoid单元的工作原理，以及反向传播算法的详细推导和应用。同时，还讨论了神经网络学习中的一些关键问题，如收敛性、局部极小值、泛化和过度拟合等，并给出了相应的解决策略。
评估假设和贝叶斯学习在机器学习中也占据重要地位。在评估假设章节，作者介绍了用统计方法估计假设精度的相关知识，解决了如何根据有限数据样本估计假设在未来实例上的精度、比较两个假设的精度以及高效利用有限数据学习假设并估计其精度等问题。贝叶斯学习章节则阐述了贝叶斯推理的基本理论，包括贝叶斯法则、极大似然假设和极大后验概率假设等，还介绍了朴素贝叶斯分类器、贝叶斯最优分类器等具体算法，并通过文本分类的实例展示了贝叶斯学习方法的实际应用。
计算学习理论从理论层面刻画了机器学习问题的难度和算法的能力。在可能近似正确（PAC）学习框架下，本书分析了学习不同类别的目标函数所需的训练样例数量和计算量，还介绍了假设空间复杂度的度量标准VC – 维，以及出错界限模型和加权多数算法等内容。
《机器学习》这本书不仅内容丰富，每章结尾还包含了所覆盖主要概念的小结、进一步阅读的参考和习题，方便我们总结知识、拓展阅读和巩固练习。
资源下载
