📚هدف از تحلیل ریاضی الگوریتم‌های یادگیری ماشین، مطالعهٔ رفتارهای آماری و محاسباتی روش‌هایی است که به‌طور رایج در یادگیری ماشین به کار می‌روند و همچنین درک ویژگی‌های نظری آن‌هاست. از جمله این ویژگی‌ها می‌توان به نرخ آماری همگرایی (که معمولاً با استخراج کران‌های بالایی برای الگوریتم‌های مشخص بیان می‌شود)، بهینگی یک روش آماری (اینکه آیا کران بالایی به‌دست‌آمده با کران پایینیِ نظریِ اطلاعاتی مطابقت دارد یا نه) و کارایی محاسباتی مدل‌های مختلف یادگیری تحت فرض‌های گوناگون اشاره کرد.

این کتاب عمدتاً بر تحلیل دو دسته از مدل‌های رایج یادگیری تمرکز دارد:
یادگیری نظارت‌شده (Supervised Learning)
مسائل تصمیم‌گیری ترتیبی (Sequential Decision Making)
در یادگیری نظارت‌شده، یک مدل یادگیری ماشین را با استفاده از داده‌های آموزشی (Training Data) آموزش می‌دهیم و سپس عملکرد پیش‌بینی آن را روی داده‌های جدید و دیده‌نشدهٔ آزمون (Test Data) ارزیابی می‌کنیم.

در اینجا هدف ما بررسی این است که مدل روی داده‌های آزمون تا چه اندازه خوب عمل می‌کند.
@toobabigdatascience