Understanding Machine Learning: From Theory to Algorithms — фундаментальная книга по математическим основам машинного обучения. Внутри: empirical risk minimization и переобучение PAC learning и uniform convergence VC dimension и No-Free-Lunch theorem bias–complexity tradeoff линейные модели, boosting и AdaBoost выбор модели и валидация выпуклая оптимизация, регуляризация и устойчивость Книга вышла в Cambridge University Press и подойдёт тем, кто хочет разобраться в ML глубже уровня библиотек и готовых API. Авторы разрешают скачать копию для личного использования, но просят не распространять прямую ссылку на PDF. На официальной странице кнопка Download находится в боковом меню: http://cs.huji.ac.il/~shais/UnderstandingMachineLearning