Adaptive computation and machine learning series - Foundations of machine learning - Nouvelle editio

L'ouvrage *Foundations of Machine Learning* est unique par son approche centrée sur l'analyse et la théorie des algorithmes. Les quatre premiers chapitres posent les bases théoriques des développements suivants ; les chapitres suivants sont pour la plupart indépendants. Parmi les sujets abordés figurent le cadre d'apprentissage PAC (Probably Approximately Correct) ; les bornes de généralisation basées sur la complexité de Rademacher et la dimension VC ; les machines à vecteurs de support (SVM) ; les méthodes à noyau ; le boosting ; l'apprentissage en ligne ; la classification multiclasse ; le classement ; la régression ; la stabilité algorithmique ; la réduction de dimensionnalité ; l'apprentissage d'automates et de langages ; et l'apprentissage par renforcement. Chaque chapitre se termine par une série d'exercices. Les annexes fournissent des ressources complémentaires, notamment un rappel concis des probabilités. Cette deuxième édition propose trois nouveaux chapitres, consacrés à la sélection de modèles, aux modèles à entropie maximale et aux modèles à entropie conditionnelle. Les nouvelles annexes comprennent une section importante sur la dualité de Fenchel, une présentation élargie des inégalités de concentration et une nouvelle entrée sur la théorie de l'information. Plus de la moitié des exercices sont nouveaux dans cette édition. [Source : 4e édition de Couv.]

Reliure de 55 % du catalogue : les livres dont le score de notoriété va de 0 à 550 000 (sur 1 000 000). Probabilité publiée par carte tirée : 70 %. Rareté : Commune.