คำถามติดแท็ก lg.learning

Residual state automata (RFSAs ที่กำหนดใน [DLT02]) เป็น NFA ที่มีคุณสมบัติที่ดีเหมือนกับ DFA โดยเฉพาะอย่างยิ่งมี RFSA ขนาดต่ำสุดที่ยอมรับเสมอสำหรับทุกภาษาปกติและภาษาที่ได้รับการยอมรับโดยแต่ละรัฐใน RFSA เป็นสิ่งที่เหลืออยู่เช่นเดียวกับใน DFA อย่างไรก็ตามในขณะที่ขั้นต่ำของรัฐ DFAs สร้าง bijection กับส่วนที่เหลือทั้งหมดรัฐ RFSAs ที่เป็นที่ยอมรับอยู่ใน bijection กับส่วนที่เหลือเฉพาะ อาจมีจำนวนน้อยกว่านี้แทนดังนั้น RFSAs จึงมีขนาดกะทัดรัดกว่า DFAs มากสำหรับการแสดงภาษาปกติ อย่างไรก็ตามฉันไม่สามารถบอกได้ว่ามีอัลกอริทึมที่มีประสิทธิภาพสำหรับการลด RFSAs หรือหากมีความแข็ง ความซับซ้อนของการลด RFSAs คืออะไร จากการสืบค้น [BBCF10] ดูเหมือนว่านี่จะไม่ใช่ความรู้ทั่วไป ในอีกด้านหนึ่งฉันคาดหวังว่าสิ่งนี้จะยากเพราะคำถามง่าย ๆ มากมายเกี่ยวกับ RFSAs เช่น "NFA นี้เป็น RFSA หรือไม่" ยากมากที่ PSPACE …

12 cc.complexity-theory  ds.algorithms  automata-theory  lg.learning  minimization 

ได้รับแรงบันดาลใจจากคำถามนี้ฉันอยากรู้เกี่ยวกับสิ่งต่อไปนี้: ความซับซ้อนของกรณีที่เลวร้ายที่สุดในการตรวจสอบว่า DFA ที่ระบุนั้นยอมรับภาษาเดียวกันกับนิพจน์ทั่วไปหรือไม่ เป็นที่รู้จักกันไหม? หวังว่าจะเป็นปัญหานี้ใน P - ว่ามีพหุนามอัลกอริทึมในขนาดของทั้งสอง

12 automata-theory  lg.learning  regular-expressions  dfa 

สิ่งที่ทราบเกี่ยวกับปัญหาต่อไปนี้คืออะไร? ได้รับชุดของฟังก์ชั่นF : { 0 , 1 } n → { 0 , 1 }หา subcollection ใหญ่ที่สุดS ⊆ Cภายใต้ข้อ จำกัด ที่ VC-Dimension ( S ) ≤ kสำหรับบางจำนวนเต็มkคCCฉ: { 0 , 1 }n→ { 0 , 1 }f:{0,1}n→{0,1}f:\{0,1\}^n\rightarrow\{0,1\}S⊆ CS⊆CS \subseteq C( S) ≤ k(S)≤k(S) \leq kkkk มีอัลกอริทึมประมาณหรือผลลัพธ์ความแข็งสำหรับปัญหานี้หรือไม่?

12 reference-request  approximation-algorithms  cg.comp-geom  lg.learning  vc-dimension 

ฉันมีชุดข้อมูลหลายพันจุดและวิธีการวัดระยะทางระหว่างจุดสองจุดใด ๆ แต่จุดข้อมูลไม่มีมิติข้อมูล ฉันต้องการอัลกอริทึมเพื่อค้นหาศูนย์คลัสเตอร์ในชุดข้อมูลนี้ ฉันจินตนาการว่าเนื่องจากข้อมูลไม่มีมิติศูนย์คลัสเตอร์อาจประกอบด้วยจุดข้อมูลหลายจุดและความอดทนและการเป็นสมาชิกภายในกลุ่มอาจถูกกำหนดโดยค่าเฉลี่ยของระยะทางของจุดข้อมูลไปยังจุดข้อมูลทุกจุดในศูนย์คลัสเตอร์ โปรดยกโทษให้ฉันถ้าคำถามนี้มีวิธีแก้ปัญหาที่รู้จักกันดีฉันรู้น้อยมากเกี่ยวกับปัญหาแบบนี้! การวิจัย (จำกัด มาก) ของฉันเปิดอัลกอริทึมการจัดกลุ่มสำหรับข้อมูลมิติเท่านั้น ขอบคุณ!

12 machine-learning  lg.learning  clustering 

เป็นที่ทราบกันดีว่าสำหรับการเรียนรู้ PAC นั้นมีชั้นเรียนแนวคิดตามธรรมชาติ (เช่นชุดย่อยของรายการการตัดสินใจ) ซึ่งมีช่องว่างพหุนามระหว่างความซับซ้อนตัวอย่างที่จำเป็นสำหรับการเรียนรู้เชิงทฤษฎีข้อมูลโดยผู้เรียนที่ไม่ได้คำนวณเชิงคอมพิวเตอร์ ผู้เรียนเวลา (ดูเช่นhttp://portal.acm.org/citation.cfm?id=267489&dl=GUIDEหรือhttp://portal.acm.org/citation.cfm?id=301437 ) ผลลัพธ์เหล่านี้ดูเหมือนจะขึ้นอยู่กับการเข้ารหัสลับในตัวอย่างโดยเฉพาะอย่างยิ่งและดังนั้นจึงไม่ต้องแปลเป็นรูปแบบการเรียนรู้ SQ โดยธรรมชาติซึ่งผู้เรียนเพิ่งได้รับการสอบถามคุณสมบัติทางสถิติของการแจกแจง เป็นที่ทราบหรือไม่ว่ามีคลาสแนวคิดสำหรับการเรียนรู้เชิงทฤษฎีในแบบจำลอง SQ ที่เป็นไปได้ด้วยแบบสอบถาม O (f (n)) แต่การเรียนรู้ที่มีประสิทธิภาพเชิงคำนวณนั้นเป็นไปได้เฉพาะกับแบบสอบถาม Omega (g (n)) สำหรับ g (n) ) >> f (n)?

12 machine-learning  lg.learning  sample-complexity 

นี่คือปัญหาที่มีรสชาติคล้ายกับการเรียนรู้ juntas: การป้อนข้อมูล:ฟังก์ชั่น , ตัวแทนจาก oracle สมาชิกคือ oracle ที่ได้รับxผลตอบแทนF ( x )f:{0,1}n→{−1,1}f:{0,1}n→{−1,1}f: \{0,1\}^n \rightarrow \{-1,1\}xxxf(x)f(x)f(x) เป้าหมาย:ค้นหา subcube SSSของ{0,1}n{0,1}n\{0,1\}^nด้วยโวลุ่ม|S|=2n−k|S|=2n−k|S|=2^{n-k}เช่นนั้น|Ex∈Sf(x)|≥0.1|Ex∈Sf(x)|≥0.1\left|\mathbb{E}_{x \in S} f(x) \right| \ge 0.1 0.1 เราสมมติว่ามี subcube อยู่ มันง่ายที่จะได้อัลกอริธึมที่ทำงานในเวลาnO(k)nO(k)n^{O(k)}และส่งกลับคำตอบที่ถูกต้องด้วยความน่าจะเป็น≥0.99≥0.99\ge 0.99โดยลองใช้วิธีทั้งหมด(2n)k(2n)k(2n)^kเพื่อเลือก subcube และสุ่มตัวอย่างค่าเฉลี่ยในแต่ละอัน ฉันสนใจในการหาอัลกอริทึมที่วิ่งในเวลาpoly(n,2k)poly(n,2k)poly(n,2^k) ) อีกทางเลือกหนึ่งขอบเขตที่ต่ำกว่าจะดี ปัญหามีรสชาติคล้ายกับการเรียนรู้ juntas แต่ฉันไม่เห็นการเชื่อมต่อที่แท้จริงระหว่างความยากลำบากในการคำนวณของพวกเขา ปรับปรุง: @Thomas ด้านล่างพิสูจน์ให้เห็นว่าความซับซ้อนตัวอย่างของปัญหานี้คือ ) ปัญหาที่น่าสนใจก็คือความซับซ้อนของปัญหาpoly(2k,logn)poly(2k,log⁡n)poly(2^k,\log n) แก้ไข: คุณสามารถสมมติความเรียบง่ายที่มี subcube ด้วย (สังเกตช่องว่าง: เรากำลังมองหา …

11 machine-learning  lg.learning  boolean-functions  sample-complexity 

พื้นหลังบางส่วน: ฉันสนใจที่จะหาขอบเขตที่ต่ำกว่า "ที่รู้จักน้อยกว่า" (หรือผลลัพธ์ความแข็ง) สำหรับปัญหาการเรียนรู้ที่มีข้อผิดพลาด (LWE) และการวางหลักเกณฑ์ทั่วไปเช่นการเรียนรู้ที่มีข้อผิดพลาดเกี่ยวกับวงแหวน สำหรับคำจำกัดความเฉพาะเป็นต้นนี่คือแบบสำรวจที่ดีโดย Regev: http://www.cims.nyu.edu/~regev/papers/lwesurvey.pdf ประเภทมาตรฐานของ (R) LWE-style สมมติฐานคือการลดลง (อาจจะเป็นควอนตัม) เพื่อลดปัญหาเวกเตอร์ที่สั้นที่สุดบน (อาจเป็นอุดมคติ) โปรย สูตรปกติของ SVP นั้นเป็นที่รู้จักกันดีว่า NP-hard และเชื่อกันว่าเป็นเรื่องยากที่จะประมาณค่าปัจจัยพหุนามขนาดเล็ก (ที่เกี่ยวข้อง: เป็นการยากที่จะประมาณ CVP ให้อยู่ใน / เกือบเป็นพหุนาม / ปัจจัย: http://dl.acm.org/citation.cfm?id=1005180.1005182 ) ฉันเคยได้ยินมาแล้วว่า (ในแง่ของอัลกอริธึมควอนตัม) การประมาณปัญหาขัดแตะบางอย่าง (เช่น SVP) กับพหุนามขนาดเล็กประมาณนั้นเกี่ยวข้องกับปัญหาของกลุ่มย่อยที่ไม่ Abelian ที่ซ่อนอยู่ (ซึ่งเชื่อว่ายากสำหรับเหตุผลของตัวเอง) แม้ว่าฉันจะไม่เคยเห็นแหล่งที่ชัดเจนและเป็นทางการสำหรับเรื่องนี้ อย่างไรก็ตามฉันสนใจมากขึ้นในผลความแข็ง (ทุกประเภท) ที่มาจากปัญหา Noisy Parity จาก Learning …

11 cc.complexity-theory  reference-request  cr.crypto-security  machine-learning  lg.learning 

Dana Angluin ( 1987 ; pdf ) กำหนดรูปแบบการเรียนรู้ด้วยการสืบค้นความเป็นสมาชิกและการสืบค้นทฤษฎี (counterexamples ให้กับฟังก์ชันที่เสนอ) เธอแสดงให้เห็นว่าภาษาปกติที่แสดงโดย DFA น้อยที่สุดของฯ สามารถเรียนรู้ได้ในเวลาพหุนาม (ที่ฟังก์ชันที่เสนอคือ DFAs) กับO ( m n 2 ) การเป็นสมาชิกแบบสอบถามและส่วนใหญ่n - 1ทฤษฎี - แบบสอบถาม ( mคือขนาดของตัวอย่างเคาน์เตอร์ที่ใหญ่ที่สุดที่จัดทำโดยผู้สอน) น่าเสียดายที่เธอไม่ได้พูดถึงขอบเขตที่ต่ำกว่าnnnO(mn2)O(mn2)O(mn^2)n−1n−1n−1mmm เราสามารถทำให้แบบจำลองทั่วไปเล็กน้อยโดยสมมติว่าเป็นครูสอนพิเศษที่สามารถตรวจสอบความเท่าเทียมกันระหว่างฟังก์ชั่นโดยพลการและตอบโต้ตัวอย่างหากมีความแตกต่างกัน จากนั้นเราสามารถถามได้ว่าการเรียนในชั้นเรียนนั้นใหญ่กว่าภาษาปกติมากแค่ไหน ฉันสนใจในการวางนัยทั่วไปและการ จำกัด ดั้งเดิมของภาษาทั่วไป มีขอบเขตที่ต่ำกว่าที่ทราบจำนวนคิวรีในรูปแบบการเป็นสมาชิกและตัวอย่างการตอบโต้หรือไม่? ฉันสนใจที่จะลดจำนวนข้อความค้นหาสมาชิกแบบสอบถามทางทฤษฎีหรือการแลกเปลี่ยนระหว่างสองคำถาม ฉันสนใจในขอบเขตที่ต่ำกว่าสำหรับคลาสของฟังก์ชันใด ๆ แม้กระทั่งสำหรับคลาสที่ซับซ้อนกว่าภาษาปกติ หากไม่มีขอบเขตที่ต่ำกว่า: มีอุปสรรคในการพิสูจน์แบบสอบถามขอบเขตต่ำกว่าในรุ่นนี้หรือไม่ คำถามที่เกี่ยวข้อง มีการปรับปรุงอัลกอริทึมของ Dana Angluin สำหรับการเรียนรู้ชุดปกติหรือไม่

11 cc.complexity-theory  machine-learning  lower-bounds  lg.learning  query-complexity 

Angluin and Laird ('88) การเรียนรู้อย่างเป็นทางการกับข้อมูลที่เสียหายแบบสุ่มในรูปแบบ "PAC พร้อมเสียงจำแนกแบบสุ่ม" (หรือ PAC ที่มีเสียงดัง) รูปแบบนี้จะคล้ายกับการเรียนรู้ PACยกเว้นป้ายตัวอย่างให้กับผู้เรียนจะได้รับความเสียหาย (พลิก) อิสระที่สุ่มกับความน่าจะ 2η&lt;1/2η&lt;1/2\eta < 1/2 ลักษณะความช่วยเหลือในสิ่งที่เป็น learnable ในรูปแบบแพคมีเสียงดัง Kearns (93) แนะนำรุ่นสถิติแบบสอบถาม (SQ) สำหรับการเรียนรู้ ในรูปแบบนี้ผู้เรียนสามารถสอบถาม oracle เชิงสถิติสำหรับคุณสมบัติของการแจกแจงเป้าหมายและเขาแสดงให้เห็นว่าคลาสใด ๆ ที่เรียนรู้ SQ สามารถเรียนรู้ได้ใน PAC ที่มีเสียงดัง Kearns ยังพิสูจน์ให้เห็นว่าparitiesบนตัวแปรไม่สามารถเรียนรู้ได้ในเวลาที่เร็วกว่า2 n / Cสำหรับบางคงคnnn2n/c2n/c2^{n/c}ccc จากนั้น Blum และคณะ (00) แยกมีเสียงดัง PAC จาก SQ โดยแสดงให้เห็นว่า parities ในวันแรกเป็น …

11 lg.learning 

ข้อมูลในโลกแห่งความเป็นจริงบางครั้งมีจำนวนธรรมชาติของกลุ่ม (พยายามที่จะจัดกลุ่มเป็นกลุ่มน้อยกว่าเวทมนตร์ k บางอย่างจะทำให้ค่าใช้จ่ายการจัดกลุ่มเพิ่มขึ้นอย่างมาก) วันนี้ฉันเข้าร่วมการบรรยายโดยดร. อดัมเมย์สันและเขาเรียกข้อมูลประเภทนั้นว่า "ข้อมูลที่แยกกันได้" การทำให้เป็นระเบียบของการจัดกลุ่มบางอย่างนอกเหนือจากวิธี K คืออะไรซึ่งสามารถคล้อยตามอัลกอริธึมการจัดกลุ่ม (การประมาณค่าหรือฮิวริสติก) ที่จะใช้ประโยชน์จากความสามารถในการแยกตามธรรมชาติของข้อมูล

11 lg.learning  clustering 

คำถามของฉันค่อนข้างทั่วไปฉันจึงสร้างเรื่องราวที่ดีที่จะให้เหตุผล อดทนกับฉันถ้ามันไม่เหมือนจริง ;-) เรื่องราว Mr. X หัวหน้าฝ่ายรักษาความปลอดภัยคอมพิวเตอร์ใน บริษัท ใหญ่เป็นเรื่องหวาดระแวง: เขาต้องการให้พนักงานทุกคนเปลี่ยนรหัสผ่านของพวกเขาเดือนละครั้งเพื่อลดความเสี่ยงจากการถูกขโมยข้อมูลหรือตัวตน ยิ่งกว่านั้นเขาไม่ไว้วางใจให้พนักงานใช้รหัสผ่านที่ปลอดภัย ดังนั้นทุกเดือนเขาจึงสร้างรหัสผ่านใหม่โดยใช้ซอฟต์แวร์ที่เขาเขียนและมอบให้กับพนักงานเพื่อให้พวกเขาสามารถเข้าสู่ระบบได้อีกครั้ง แต่นอกเหนือจากการหวาดระแวง Mr. X ก็ขี้เกียจนิดหน่อย: รหัสผ่านที่เขาสร้างทั้งหมดตามรูปแบบบางอย่างและอัลกอริทึมที่ใช้เพื่ออนุญาตให้ผู้ใช้เข้าสู่ระบบจะตรวจสอบเพียงว่ารหัสผ่าน "ดูโอเค" ตามกฎนั้น ไม่ได้อยู่ใน "รายการที่หมดอายุ" น่าเสียดายที่พฤติกรรมที่หลอกลวงของเขาทำให้ผู้คนจำนวนมากขมและหนึ่งในนั้นคือนาย Y ตัดสินใจที่จะพิสูจน์ว่าเขาสามารถถอดรหัสรหัสผ่านของเขาได้ ดังนั้นในคืนหนึ่งเขารวบรวมบางส่วนของพวกเขาและเริ่มพยายามออกแบบอัลกอริทึมการเรียนรู้สำหรับการสร้างรหัสผ่านที่ถูกต้องโดยใช้คอมพิวเตอร์ส่วนบุคคลของเขาเพื่อตรวจสอบพวกเขา คำถาม คำพยากรณ์ที่นายวายใช้นั้นแปลกไปเล็กน้อยในการที่จะบอกเขาว่า "ความจริง แต่ไม่ใช่ความจริงทั้งหมด" (ดังนั้นคำคุณศัพท์ "เงียบขรึม") แม่นยำยิ่งขึ้น: Mr. Y จะรู้ว่ารหัสผ่านนั้นถูกต้องเมื่อคอมพิวเตอร์ของเขายอมรับ แต่เมื่อรหัสผ่านถูกปฏิเสธ Mr. Y จะไม่ทราบว่ารหัสผ่านนั้นถูกต้องหรือไม่: รหัสผ่านอาจถูกปฏิเสธเนื่องจากไม่ได้รับรหัสผ่าน สอดคล้องกับรูปแบบบางอย่าง แต่มันอาจถูกปฏิเสธเพราะเคยเป็นสิ่งที่ถูกต้อง แต่ไม่มีอีกต่อไปตามกฎ "การเปลี่ยนแปลงเดือนละครั้ง" ของ Mr. X ดังนั้นคุณวายจะสามารถทำอะไรกับมันได้บ้างไหม? หรือเราสามารถเรียกร้อง / …

11 lg.learning 

Let จะกระจายมากกว่าคู่ bitstring / ฉลาก{ 0 , 1 } d × { 0 , 1 }และให้Cเป็นคอลเลกชันของฟังก์ชั่นมูลค่าบูลฉ: { 0 , 1 } d → { 0 , 1 } สำหรับแต่ละฟังก์ชั่นf ∈ Cให้: e r r ( f , D ) = Pr ( x , y )DDD{0,1}d×{0,1}{0,1}d×{0,1}\{0,1\}^d\times \{0,1\}CCCf:{0,1}d→{0,1}f:{0,1}d→{0,1}f:\{0,1\}^d\rightarrow\{0,1\}f∈Cf∈Cf \in C และให้: …

11 reference-request  machine-learning  lg.learning 

เป็นที่ทราบกันดีว่าสำหรับแนวคิดคลาสCC\mathcal{C}มีมิติ VC dddมันเพียงพอที่จะได้O(dεlog1ε)O(dεlog⁡1ε)O\left(\frac{d}{\varepsilon}\log\frac{1}{\varepsilon}\right)ตัวอย่างที่มีข้อความที่จะเรียนรู้ PACCCC\mathcal{C}ไม่ชัดเจนสำหรับฉันหากอัลกอริทึมการเรียนรู้ PAC (ซึ่งใช้ตัวอย่างจำนวนมากเหล่านี้) เหมาะสมหรือไม่เหมาะสม? ในหนังสือเรียนของ Kearns และ Vazirani เช่นเดียวกับ Anthony และ Biggs ดูเหมือนว่าขั้นตอนวิธีการเรียนรู้ PAC นั้นไม่เหมาะสม (เช่นข้อสมมติผลลัพธ์ไม่ได้อยู่ในCC\mathcal{C}) บางคนสามารถอธิบายได้ไหมว่าขอบเขตบนที่คล้ายกันมีไว้สำหรับการตั้งค่าการเรียนรู้ PAC ที่เหมาะสมหรือไม่ ถ้าเป็นเช่นนั้นคุณสามารถให้การอ้างอิงกับฉันได้ที่นี่ถูกกล่าวถึงอย่างชัดเจนและมีหลักฐานที่มีอยู่ในตัวเองด้วยหรือไม่ เมื่อเร็ว ๆ นี้การปรับปรุง Hanneke ผูกพันโดยการกำจัดของlog(1/ε)log⁡(1/ε)\log(1/\varepsilon)ปัจจัย ใครบางคนสามารถอธิบายได้ว่าเป็นที่รู้กันว่าสามารถถอดออกได้สำหรับการตั้งค่าการเรียนรู้ PAC ที่เหมาะสม? หรือมันเป็นคำถามเปิดยัง?log(1/ε)log⁡(1/ε)\log(1/\varepsilon)

11 machine-learning  boolean-functions  lg.learning  vc-dimension  pac-learning 

ให้เรากำหนดระดับของการทำงานมากกว่าชุดของบิต แก้ไขการแจกแจงสองแบบที่ "สมเหตุสมผล" แตกต่างจากกัน (ถ้าคุณต้องการระยะทางแปรผันของมันคืออย่างน้อยหรือสิ่งที่คล้ายกัน)p , q ϵnnnp , qp,qp, qεϵ\epsilon ตอนนี้แต่ละฟังก์ชั่นในชั้นนี้จะถูกกำหนดโดยคอลเลกชันของดัชนีและมีการประเมินผลดังต่อไปนี้: หากความเท่าเทียมกันของบิตที่เลือกเป็น 0 กลับตัวอย่างที่สุ่มจากอื่นกลับตัวอย่างที่สุ่มจากคิวk S p qฉffkkkSSSพีppQqq ปัญหา : สมมติว่าฉันได้รับการเข้าถึง oracle บางจากชั้นนี้และในขณะที่ฉันรู้ว่า (หรือบางมาตรการอื่น ๆ ของระยะทาง) ผมไม่ทราบว่าและQϵ p qฉffεϵ\epsilonพีppQqq มีขอบเขตใด ๆ เกี่ยวกับจำนวนของสายที่ฉันต้องทำกับ PAC-เรียนรู้ ? สันนิษฐานว่าคำตอบของฉันจะเป็นในแง่ของและ\n , k ϵfffn,kn,kn, kϵϵ\epsilon หมายเหตุ : ฉันไม่ได้ระบุโดเมนผลลัพธ์ อีกครั้งผมมีความยืดหยุ่น แต่สำหรับตอนนี้ขอบอกว่าและมีการกำหนดมากกว่าโดเมน จำกัด[1..M]โดยทั่วไปแล้วฉันก็จะสนใจในกรณีที่พวกเขาถูกกำหนดเหนือ (เช่นถ้าพวกเขาเป็นเกาส์)q [ 1 .. M …

10 lg.learning 

เมื่อเร็ว ๆ นี้ฉันได้อ่านเอกสาร CoLT จำนวนมากแล้ว แม้ว่าฉันจะไม่ต่อสู้กับเอกสารส่วนตัว (อย่างน้อยก็ไม่เกินกว่าที่ฉันมักจะต่อสู้กับเอกสารทฤษฎีอื่น ๆ ) แต่ฉันไม่รู้สึกว่าฉันมีความเข้าใจที่ดีเกี่ยวกับสาขาโดยรวม มีข้อความมาตรฐานแบบสำรวจหรือบันทึกการบรรยายเพื่อแนะนำ CoLT ในระดับบัณฑิตศึกษาหรือไม่? ฉันมีพื้นฐานทฤษฎีพื้นหลัง แต่ไม่มีความรู้เฉพาะด้านของการเรียนรู้ของเครื่องหรือสถิติ ฉันส่วนใหญ่สนใจในสิ่งต่าง ๆ เช่นการเรียนรู้ PAC และการเรียนรู้ออโตมาตาและไม่สนใจสิ่งต่าง ๆ เช่นการอนุมานแบบเบย์และทฤษฎี VC คำถามที่เกี่ยวข้อง ทรัพยากร / หนังสือสำหรับความก้าวหน้าล่าสุดในทฤษฎีการเรียนรู้ทางสถิติ

10 reference-request  machine-learning  lg.learning  survey  books