机器学习基础

本书从概率近似正确（PAC）理论出发探讨机器学习的基础理论与典型算法，包括PAC学习框架、VC-维、支持向量机、核方法、在线学习、多分类、排序、回归、降维、强化学习等丰富的内容。此外，附录部分简要回顾了与机器学习密切相关的概率论、凸优化、矩阵以及范数等必要的预备知识。

本书重在介绍典型算法的理论支撑并指出算法在实际应用中的关键点，注重理论细节与证明过程，可作为高等院校机器学习、统计学等课程的教材，或作为相关领域研究人员的参考读物。

Mehryar Mohri，纽约大学库兰特数学科学研究所计算机科学与数学教授，同时任谷歌研究院的研究顾问。主要研究方向包括机器学习理论和算法、语音处理、自动机理论和算法、自然语言处理、计算生物学等。曾在AT&T实验室研究部担任部门主管和技术负责人。他是多个核心加权自动机和有限状态机算法的作者，在将加权有限状态机应用于语音识别和自然语言处理方面做了开创性的工作。

Afshin Rostamizadeh，谷歌研究院高级研究员。拥有纽约大学计算机科学博士学位，加州大学伯克利分校电子工程与计算机学士学位。

Ameet Talwalkar，卡内基·梅隆大学机器学习系助理教授，同时还是AI初创企业 Determined AI 的联合创始人和首席科学家。他拥有纽约大学计算机科学-机器学习学位，还曾是加州大学伯克利分校电子工程与计算机系博士后研究员。