Идеи машинного обучения

Предисловие
Глава 1. Введение
ЧАСТЬ I. ОСНОВАНИЯ
Глава 2. Малый вперед
Глава 3. Формальная модель обучения
Глава 4. Обучаемость и равномерная сходимость
Глава 5. Компромисс между смещением и
сложностью
Глава 6. VC-размерность
Глава 7. Неравномерная обучаемость
Глава 8. Время обучения
ЧАСТЬ II. ОТ ТЕОРИИ К АЛГОРИТМАМ
Глава 9. Линейные предикторы
Глава 10. Усиление
Глава 11. Выбор и контроль модели
Глава 12. Выпуклые проблемы обучения
Глава 13. Регуляризация и устойчивость
Глава 14. Стохастический градиентный спуск
Глава 15. Метод опорных векторов
Глава 16. Ядерные методы
Глава 17. Многоклассовая категоризация,
ранжирование и сложные проблемы предсказания
Глава 18. Решающие деревья
Глава 19. Ближайшие соседи
Глава 20. Нейронные сети
ЧАСТЬ III. ДОПОЛНИТЕЛЬНЫЕ МОДЕЛИ ОБУЧЕНИЯ
Глава 21. Онлайновое обучение
Глава 22. Кластеризация
Глава 23. Понижение размерности
Глава 24. Порождающие модели
Глава 25. Отбор и порождение признаков
ЧАСТЬ IV. ДОПОЛНИТЕЛЬНЫЕ ГЛАВЫ
Глава 26. Радемахеровская сложность
Глава 27. Числа покрытия
Глава 28. Доказательство фундаментальной
теоремы теории обучения
Глава 29. Многоклассовая обучаемость
Глава 30. Границы сжатия
Глава 31. PAC-байесовский подход
Приложение A. Технические леммы
Приложение B. Концентрация меры
Приложение C. Линейная алгебра
Литература
Предметный указатель