这本书介绍了数据科学的数学和算法基础，包括机器学习，高维几何，和大型网络的分析。主题包括高维数据的反直觉性质，重要的线性代数技术，如奇异值分解，随机漫步和马尔科夫链理论，机器学习的基本原理和重要算法，聚类算法和分析，大型网络的概率模型，表示学习包括主题建模和非负矩阵分解、小波和压缩感知。发展了重要的概率技术，包括大数定律、尾不等式、随机投影分析、机器学习中的泛化保证，以及用于分析大型随机图中的相变的矩方法。此外，还讨论了矩阵规范和vc维等重要的结构和复杂性度量指标。这本书适合本科和研究生课程的设计和分析算法的数据。

第一作者Avrim Blum在MIT获得博士学位，现为芝加哥大学丰田研究院的主任，第二作者John Hopcroft曾于1986年获得图灵奖，第三作者Ravindran Kannan就职于微软印度研究院。

书籍地址：https://doi.org/10.1017/9781108755528

下载本书PDF版

内容中包含的图片若涉及版权问题，请及时与我们联系删除