2018年由MIT出版的《机器学习基础》（第二版）现已开放免费下载！

2018年由MIT出版的《机器学习基础》（第二版）现已开放免费下载！本书作者之一Mehryar Mohri有着长达14年的机器学习基础教学经验。本书第一版出版于2012年，此次再版内容叙述更简洁，通用性更强，并根据领域内新成果对内容进行了大幅修订，快来收藏！

MIT出版社出版的《机器学习基础》（第二版）PDF和HTML资源均已免费开放下载。距离第一版出版已有6年之久。

本书内容是对机器学习的一般性介绍，可以作为研究人员的参考书和学生的教科书。本书涵盖了机器学习中的基本主题，同时提供了算法讨论和论证所需的理论基础和概念工具。并描述了这些算法应用的几个关键方面。

本书的目标是提供最新的理论工具和概念，同时对相对先进的结果给出精确的证明。一般来说，只要在有可能的情况下，我们都会优先选择简洁性。同时，本书同样讨论了机器学习中呈现的一些重要、复杂的主题，并重点关注几个开放的研究问题。其中某些问题经常与其他主题合在一起探讨，可能没有得到足够的重视。

本书作者之一、纽约大学计算机科学与数学系教授Mehryar Mohri

本书将对这类问题进行单独讨论，并进一步强调其重要性：比如针对多类分类，排名和回归对几个章节进行了重写。

虽然机器学习领域涵盖了各种各样的重要主题，但为了简洁起见，同时也是由于目前某些方法缺乏足够坚实的理论保证，本书略去了一些重要主题，其中包括图形模型和神经网络。

本书主要面向机器学习、统计学和其他相关领域的学生和研究人员，也可以作为机器学习专业的研究生和高年级本科课程的教科书，也可以供学术会议参考。本书的前三至四章为后续内容奠定了理论基础，而其他章节大多自成一体。（第6章和第13章除外，第6章介绍了后来广泛使用的一些概念，第13章与第12章密切相关。）每章最后都给出一系列练习题，并提供完整的解决方案。

本书假设读者熟悉线性代数，概率论和算法分析的基本概念。为了进一步为读者提供帮助，书中提供一个内容广泛的附录，简要介绍了线性代数、凸优化、概率评估，以及对本书中算法讨论有帮助的集合不等式的介绍和信息理论简介。

本书力图对机器学习的多个主题和领域实现统一风格的呈现，这一点不同于其他同类书籍采用的更专业的特定视角呈现。比如贝叶斯视图或内核方法等。本书的另外一个不同于同类书籍的特色，是突出了理论基础及分析过程。

第二版新变化：叙述更简明、章节内容增删、习题更丰富

与2012年的第一版相比，第二版对整本书的内容进行了更新。主要内容变化包括在多数章节中采用了与第一版不同的写作风格，使用了新的插图，许多地方的内容表述更加简明。

第二版还对已有章节的做出了一些补充，尤其是第6章和第17章。并新增了几个新章节。本书新加入第4章（模型选择），这是目前机器学习领域内重要主题，但在第一版中只进行了简要讨论。

此外，第二版还增加了关于最大熵模型（第12章）和条件最大熵模型的新章节（第13章），这些内容都是机器学习中的重要主题。

第二版还对附录进行了大幅度修订。尤其是在附录B中加入了关于Fenchel对偶性的完整章节，并对附录D进行了一些修订和补充，在附录E中加入了信息理论，并对大部分材料进行了更新。此外，第二版还为现有章节和新章节增补了新的练习题和答案。