みんな。私は分類アルゴリズムのトピックにまったく慣れていないので、「真剣な読書」をどこから始めればよいかについて、いくつかの良い指針が必要です。私は現在、機械学習と自動分類アルゴリズムが私のアプリケーションに追加する価値のあるものであるかどうかを調べる過程にあります。
Z.MichalewiczとD.Fogelによる「HowtoSolveIt ：Modern heuristics」 （特に、ニューロンネットワークを使用した線形分類器に関する章）をすでにスキャンしましたが、実用的な面では、現在WEKAツールキットのソースを調べています。コード。私の次の（計画された）ステップは、ベイズ分類アルゴリズムの領域に飛び込むことです。
残念ながら、私はこの分野での深刻な理論的基盤を欠いています（言うまでもなく、まだそれを何らかの方法で使用しています）ので、次にどこを見るべきかについてのヒントをいただければ幸いです。特に、利用可能な分類アルゴリズムの適切な紹介が役立ちます。より職人であり、理論家ではないほど、より実用的であり、より良い...
ヒント、誰か？
AndrewMooreのチュートリアルは非常に便利だといつも思っています。それらは確かな統計理論に基づいており、将来それらを読むことを選択した場合、論文を理解するのに非常に役立ちます。簡単な説明は次のとおりです。
これらには、決定木、ニューラルネット、ベイズ分類器、サポートベクターマシン、ケースベース（ノンパラメトリック）学習などの分類アルゴリズムが含まれます。これらには、多変量多項式回帰、MARS、局所加重回帰、GMDH、ニューラルネットなどの回帰アルゴリズムが含まれます。また、クラスタリング（混合モデル、k-means、階層型）、ベイジアンネットワーク、強化学習などの他のデータマイニング操作も含まれます。
AndrewMooreのチュートリアルを参照する答えは良いものです。しかし、そもそも多くの分類システムの作成を推進する必要性、つまり因果関係の特定についての読み物を提案することによって、それを補強したいと思います。これは、統計的推論を含む多くのモデリングの問題に関連しています。
因果関係と分類器システム（特にベイズ分類器）について学ぶために私が知っている現在の最良のリソースは、ジューディアパールの本「因果関係：モデル、推論、および推論」です。
機械学習の概要
この分野の概要を理解するには、 AndrewNgの機械学習コースのビデオ講義をご覧ください。
Andrew Ng教授が教えるこのコース（CS229）は、機械学習と統計的パターン認識の幅広い紹介を提供します。トピックには、教師あり学習、教師なし学習、学習理論、強化学習、適応制御が含まれます。ロボット制御、データマイニング、自律ナビゲーション、バイオインフォマティクス、音声認識、テキストおよびWebデータ処理などの機械学習の最近のアプリケーションについても説明します。
分類子
どの分類器を使用するかについては、一般的に適用される分類タスクについて、最初にサポートベクターマシン（SVM）から始めることをお勧めします。それらは最先端のパフォーマンスを提供し、WEKAのようなパッケージによって提供される実装を使用するためにそれらの背後にある理論のすべてを実際に理解する必要はありません。
より大きなデータセットがある場合は、ランダムフォレストを使用してみてください。WEKAにはこのアルゴリズムの実装もあり、大きなデータではるかに高速にトレーニングします。それらはSVMほど広く使用されていませんが、それらの精度は、SVMから得られる精度と一致するかほぼ一致する傾向があります。