2018年由MIT出版的《機器學習基礎》（第二版）現(xiàn)已開放免費下載！本書作者之一Mehryar Mohri有著長達14年的機器學習基礎教學經(jīng)驗。本書第一版出版于2012年，此次再版內(nèi)容敘述更簡潔，通用性更強，并根據(jù)領域內(nèi)新成果對內(nèi)容進行了大幅修訂，快來收藏！

MIT出版社出版的《機器學習基礎》（第二版）PDF和HTML資源均已免費開放下載。距離第一版出版已有6年之久。

本書內(nèi)容是對機器學習的一般性介紹，可以作為研究人員的參考書和學生的教科書。本書涵蓋了機器學習中的基本主題，同時提供了算法討論和論證所需的理論基礎和概念工具。并描述了這些算法應用的幾個關鍵方面。

本書的目標是提供最新的理論工具和概念，同時對相對先進的結(jié)果給出精確的證明。一般來說，只要在有可能的情況下，我們都會優(yōu)先選擇簡潔性。同時，本書同樣討論了機器學習中呈現(xiàn)的一些重要、復雜的主題，并重點關注幾個開放的研究問題。其中某些問題經(jīng)常與其他主題合在一起探討，可能沒有得到足夠的重視。

本書作者之一、紐約大學計算機科學與數(shù)學系教授Mehryar Mohri

本書將對這類問題進行單獨討論，并進一步強調(diào)其重要性：比如針對多類分類，排名和回歸對幾個章節(jié)進行了重寫。

雖然機器學習領域涵蓋了各種各樣的重要主題，但為了簡潔起見，同時也是由于目前某些方法缺乏足夠堅實的理論保證，本書略去了一些重要主題，其中包括圖形模型和神經(jīng)網(wǎng)絡。

本書主要面向機器學習、統(tǒng)計學和其他相關領域的學生和研究人員，也可以作為機器學習專業(yè)的研究生和高年級本科課程的教科書，也可以供學術會議參考。本書的前三至四章為后續(xù)內(nèi)容奠定了理論基礎，而其他章節(jié)大多自成一體。（第6章和第13章除外，第6章介紹了后來廣泛使用的一些概念，第13章與第12章密切相關。）每章最后都給出一系列練習題，并提供完整的解決方案。

本書假設讀者熟悉線性代數(shù)，概率論和算法分析的基本概念。為了進一步為讀者提供幫助，書中提供一個內(nèi)容廣泛的附錄，簡要介紹了線性代數(shù)、凸優(yōu)化、概率評估，以及對本書中算法討論有幫助的集合不等式的介紹和信息理論簡介。

本書力圖對機器學習的多個主題和領域?qū)崿F(xiàn)統(tǒng)一風格的呈現(xiàn)，這一點不同于其他同類書籍采用的更專業(yè)的特定視角呈現(xiàn)。比如貝葉斯視圖或內(nèi)核方法等。本書的另外一個不同于同類書籍的特色，是突出了理論基礎及分析過程。

第二版新變化：敘述更簡明、章節(jié)內(nèi)容增刪、習題更豐富

與2012年的第一版相比，第二版對整本書的內(nèi)容進行了更新。主要內(nèi)容變化包括在多數(shù)章節(jié)中采用了與第一版不同的寫作風格，使用了新的插圖，許多地方的內(nèi)容表述更加簡明。

第二版還對已有章節(jié)的做出了一些補充，尤其是第6章和第17章。并新增了幾個新章節(jié)。本書新加入第4章（模型選擇），這是目前機器學習領域內(nèi)重要主題，但在第一版中只進行了簡要討論。

此外，第二版還增加了關于最大熵模型（第12章）和條件最大熵模型的新章節(jié)（第13章），這些內(nèi)容都是機器學習中的重要主題。

第二版還對附錄進行了大幅度修訂。尤其是在附錄B中加入了關于Fenchel對偶性的完整章節(jié)，并對附錄D進行了一些修訂和補充，在附錄E中加入了信息理論，并對大部分材料進行了更新。此外，第二版還為現(xiàn)有章節(jié)和新章節(jié)增補了新的練習題和答案。