最近，图灵奖得主、贝叶斯网络之父 Judea Pearl 发推表示，收到了 Moritz Hardt 和 Benjamin Recht 合著新书《PATTERNS, PREDICTIONS, AND ACTIONS: A story about machine learning》的书稿，并赞扬这本书组织结构很好，清晰地介绍了多种思想的起源，甚至有两个章节与因果关系有关。
书籍介绍
这是一本关于机器学习的研究生教材，介绍了数据模式如何支持预测及其后续行为。
该书从决策基础开始，涵盖了表示、优化和泛化这些监督学习的组成部分。此外，本书还用专门的章节介绍了数据集、因果关系、因果推理实践、序列决策、强化学习等。这本书适合不同背景的读者，不过读者需要掌握一些数学知识，如微积分、线性代数、概率等。
书籍地址：https://arxiv.org/pdf/2102.05242.pdf
版本更新地址：https://mlstory.org/
作者表示，这本书既包括用经典框架看待新事物，也包含对旧事物的新视角。
作为一本教科书，这本书在很多方面与机器学习常用的教学方式不同，主要表现在以下几点：
首先，该书强调数据集在机器学习领域的重要性；
第二，该书包含了对因果关系和因果推理实践的现代介绍，解决了该领域过时的争议；
第三，该书全面介绍了序列模型和动态模型；
最后，书籍作者多次强调机器学习的潜在危害、局限性和社会后果。
书籍结构
这本书共有 14 个章节，章节目录如下：
该书首先从决策知识讲起，主要包括贝叶斯二元假设检验、似然比检验典型案例、错误和成功的类型、奈曼 - 皮尔逊引理、ROC 曲线的性质等。
第 3 章：监督学习，主要包括样本与总体、监督学习、感知机等。
第 4 章：表示和特征，主要包括度量、量化、模板匹配、非线性预测器等。
第 5 章：优化，主要包括优化基础、梯度下降、经验风险最小化的应用、对二次函数梯度法收敛性的见解、随机梯度下降、随机梯度法分析、正则化等。
第 6 章：泛化，主要包括泛化差距（Generalization gap）、过参数化、泛化理论、算法稳定性、模型复杂性与一致收敛等。
第 7 章：深度学习，主要包括深度模型与特征表示、深度网络的优化、梯度消失、深度学习中的泛化等。
第 8 章：数据集，主要介绍了机器学习基准的科学依据、不同领域的数据集介绍、与数据相关的危害、数据和预测的局限性等。
第 9 章：因果关系，主要介绍了因果模型、因果图、反事实等。
第 10 章：实践中的因果推理，主要包括设计与推理、观测基础：调整与控制、因果推理在实践中的局限性等。
第 11 章：序列决策与动态规划，主要包括从预测到行为、动态系统、最优序列决策、动态规划、计算等。
第 12 章：强化学习，主要包括 PAC 学习、近似动态规划等。
作者介绍
个人主页：https://www2.eecs.berkeley.edu/Faculty/Homepages/mhardt.html
本书的作者是来自加州大学伯克利分校的学者 Moritz Hardt 和 Benjamin Recht。
Moritz Hardt 是加州大学伯克利分校电气工程与计算机科学系的助理教授。他的研究目标是使机器学习的实践更具鲁棒性、可靠性，并与社会价值观保持一致。
他于 2011 年获得普林斯顿大学计算机科学博士学位，后在 IBM 爱曼登研究中心做博士后学者和研究员，并在 Google Research 和 Google Brain 做了两年研究科学家。
另一位作者 Benjamin Recht 是加州大学伯克利分校电气工程与计算机科学系副教授。其主要研究领域是人工智能、CIR（控制、智能系统与机器人）、信号处理、机器学习、优化。
个人主页：https://www2.eecs.berkeley.edu/Faculty/Homepages/brecht.html
