机构名称：
¥ 30.0
在其构想中，我们的书既是对新事物的新事物，又是对旧事物的新事物。以一种方式看着它，我们重点是模式分类，回到根源。我们认为，当今机器学习的实践与1960年代的模式分类非常相似，最近几十年来进行了一些显着的创新。这不是低估了最近的进展。像许多人一样，我们对近年来发生的进步感到惊讶。图像识别已大大改善。即使是小型设备，现在也可以可靠地识别语音。自然语言处理和机器翻译使大量飞跃。机器学习甚至对一些困难的科学问题（例如蛋白质折叠）有所帮助。但是，我们认为不认识到模式分类是这些改进背后的推动力是一个错误。到目前为止，机器学习的许多进步背后的创造力并不在于与模式分类的基本偏离，而是找到了新的方法来使问题适合模型拟合的模型分类技术。因此，本书的第一章相对遵循Duda和Hart的出色文本“模式分类和场景分析”，尤其是1973年的第一版，该文本至今仍然很重要。的确，杜达（Duda）和哈特（Hart）在1973年总结了模式分类状态，并且与我们今天认为是机器学习的核心相似。首先，我们的文本强调了数据集在机器学习中扮演的角色。我们在表示，优化和概括方面添加了新的发展，所有这些发展都是不断发展的积极研究的主题。看着它不同，我们的书从通常教授机器学习的方式以某种方式出发。完整的章节探讨了机器学习基准的历史，重要性和科学基础。尽管无处不在并认为今天是理所当然的，但数据集 - 基准范式是一个相对较新的Devel-
staterss.pdf
主要关键词
相关文件推荐
