机器学习的PAC-Bayes理论评价及应用

　　本书由基础理论和应用实践两大部分组成，书中分析了计算学习理论及PAC可学习框架，剖析了PACBayes理论的内涵，并在阐述统计学习理论和支持向量机基本原理的基础上，论述了PACBayes边界应用于支持向量机算法的相关推论。 \n书中讨论了结合再生核希尔伯特空间和马尔科夫链蒙特卡洛方法，实现PACBayes边界的计算。 \n同时，介绍了目前各种机器学习算法上的PACBayes泛化误差边界，以及PACBayes理论在机器学习中的各种应用。 \n最后，将机器学习算法与PACBayes理论运用于Web文档评价、蛋白质预测、空气质量预测、京津冀一体化研究、高校科研人才评价、中国货币供应量等研究实例中。 \n本书具有较强的理论性和系统性，对重要的理论和方法进行了分析；同时具有较强的逻辑性，突出重点，条理清晰，由浅入深，从理论到实践。本书剖析了算法实现，给出了实验设计与结果，具有较强的实践特色。 \n本书可以作为计算机、信息科学等相关专业高年级本科生和研究生的参考书或教材，也可以作为教师、科研人员和相关培训机构的参考书。 \n本书定位于希望快速学习机器学习，人工智能，模式识别，计算学习理论的初、中级用户和自学者。 \n同时，本书对于机器学习、人工智能、模式识别等领域的研发人员也具有很好的参考价值。 \n\n

暂缺《机器学习的PAC-Bayes理论评价及应用》作者简介