Cuốn sách Machine Learning (tạm dịch: Học Máy) của tác giả Tom M. Mitchell là một tác phẩm kinh điển trong lĩnh vực học máy và trí tuệ nhân tạo. Xuất bản lần đầu vào năm 1997, cuốn sách này đã trở thành tài liệu học thuật và tham khảo quan trọng cho sinh viên, nhà nghiên cứu và kỹ sư trong lĩnh vực trí tuệ nhân tạo và khoa học dữ liệu.
Tom M. Mitchell, giáo sư tại Đại học Carnegie Mellon, là một trong những chuyên gia hàng đầu trong lĩnh vực học máy. Cuốn sách của ông được xây dựng trên nền tảng lý thuyết vững chắc, đồng thời cung cấp các phương pháp và kỹ thuật thực tiễn để áp dụng vào các bài toán cụ thể trong học máy.
Cuốn sách trình bày một cách có hệ thống các thuật toán học máy, bao gồm:
- Các phương pháp học giám sát (supervised learning) như hồi quy tuyến tính (linear regression), hồi quy logistic (logistic regression), và cây quyết định (decision trees).
- Học không giám sát (unsupervised learning) như phân cụm (clustering) và học tăng cường (reinforcement learning).
- Học máy dựa trên lý thuyết xác suất và thống kê, bao gồm cả phương pháp Bayes và các mô hình Markov.
Ngoài ra, cuốn sách còn giới thiệu chi tiết về các chủ đề như tối ưu hóa mô hình, học với dữ liệu tiếng ồn, cũng như các kỹ thuật đánh giá và kiểm định hiệu suất của mô hình. Một điểm đáng chú ý khác của Machine Learning là sự rõ ràng trong cách giải thích các khái niệm phức tạp, giúp người đọc nắm bắt kiến thức một cách dễ dàng.
Mặc dù đã được xuất bản khá lâu, nội dung của cuốn sách vẫn giữ nguyên giá trị nhờ cách tiếp cận cơ bản và toàn diện đối với học máy. Đây là cuốn sách gối đầu giường cho những ai muốn hiểu sâu hơn về học máy từ nền tảng lý thuyết đến ứng dụng thực tiễn.
Nội dung cuốn sách gồm các chương sau:
Nội dung chính
Giới thiệu
Mô hình học tập
Cây quyết định
ANN- mạng thần kinh đơn giản
Đánh giá mô hình học máy
Phương pháp học Bayesian
Lý thuyết tính toán máy tính
