南大周志华的《机器学习》这本书怎么样？
有没有人读了么？比PRML、ESL如何？适合什么段位的人读？
我在amazon买的这本书，刚刚看完。我的评价是它是一本和Tom M. Mitchell那本Machine Learning具有一样重大意义的书。很有可能，它会成为一本中国无数Machine Learning热爱者的启蒙教材。之所以说它为启蒙教材，是因为它非常合适没有任何背景的初学者看。每一个概念，甚至每一个概念的来龙去脉都讲的非常清楚。例如，我记得我在最开始学习learning theory时，为了弄清楚概念集和假设集的区别，查找了不少的资料，那些资料仿佛都默认大家知道这两个集合的区别，我当时弄的云里雾里。而这本书在十二章里，非常明确的说了它们的区别，并且解释了为什么会有这种区别，仿佛知道初学者一定会在这里迷路一样：）这种感觉差不多类似于下课了肚子好饿正在找东西吃男朋友贴心的递过来一块巧克力。类似的说明贯穿了本书的始终，感觉周老师非常清楚初学者会遇到什么问题，然后会在相应的章节里做出最清晰明了的解释。我个人认为这一点这是全书最大价值所在：它用最简练易懂的文字，描述清楚一个复杂问题。这也是为什么很多人说易读的一个重要原因，这应该也是周老师讲课的一个特点周老师自己也说过他最合适做一个老师。我虽然没有听过周老师的课，但听过很多同事对他讲的keynote赞不绝口，说他能用最简单的语言把一个问题讲清楚。说起来我听过他的一次30分钟左右的非正式keynote，不讲任何背景，直接讲问题和解决方法，令我叹为观止。我看到这本书的感觉，就像听他在讲课一样。同时，它也合适研究者看。因为书的每一章后面都提出了这个技术发展的脉络，以及最精炼的参考文献。如果对这个领域有兴趣，顺着参考文献看下去就可以了解最前沿最详细的内容。当然其他书也有参考文献，但往往挑选的不够细致和简练，也缺乏相应的概述。我不是专门研究Machine Learning的，但也不算初学者。大家提到的PRML，EOSL我都看过，按道理说不应该再看入门教材，但我依旧决定花几周的时间仔细把这本书弄清楚。最后说一下这本书和PRML以及EOSL的区别。很多人觉得PRML比EOSL更难，其实是更厚…但不难。PRML像一本工具书，或者是字典，任何需要的知识几乎都能在上面找到。内容写的多，深度适中，所以我觉得作为参考书是极好的，但不合适做教材，更不合适做初学者入门教程。EOSL内容少一点，每一项内容不多，但精深，需要有良好的统计背景知识。它适合完整读一遍，但不合适做字典，同样也不合适做入门教程。周老师的这本书和那两本比起来更合适做入门教程。它更像1997年出版的Mitchell写的那本经典的Machine Learning，和那本书一样，一定会对中国的机器学习初学者和研究者起着深远意义。写到最后，感觉像一篇软文，可怜我连一本签名版都没有拿到 :(
昨天开包裹感言：第一版第一次印刷，收到周志华老师写的《机器学习》，就像十五岁收到《十一月的萧邦》正版CD一样开心。开读。全书结构大致如下：【1~3章】介绍机器学习基本知识（绪论、模型评估与选择、线性模型）【4~10章】介绍一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）【11~16章】介绍一些进阶知识（特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习、强化学习）从目录可以看出，书在内容上比较全面的介绍机器学习的各个分支，以及重要而常用的方法，也有一些我以前不知道的内容，比如第十六章强化学习。从昨天拿到书一直读到今天，总体感觉读起来非常流畅，周老师似乎在力求用轻松、简要而又能帮你将思维一层一层捋清楚，从而搭建出关于这门学科的思维大楼的方式在写整本书。既适合于入门读者，也适合于已有这门学科背景但又想再一次如沐春风的进阶读者。（当然啦不排除我是周老师的粉丝，有主观偏爱在里面，捂脸~）反正我看完第一章第一个自然段就放不下这本书了，如下傍晚小街路面上沁出微雨后的湿润，和煦的西风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、翘起来声音浊响的青绿西瓜，一边满心期待着皮薄肉厚瓤甜的爽落感，一边愉快地想着，这学期狠下了功夫，基础概念弄得清清楚楚，算法作业也是信手拈来，这门课成绩一定差不了！来让我们一起来咬一口这本被西瓜贯穿全书的读物~
在文末更新了一下答案，一定要看：书是昨天到的。我去取的快递，到手之后交给同事打开，因为同事是这本书的contributor之一，周围没有人比他来拆开更合适了~p.s.拆书的一刻还引起了周围人的围观，搞个大新闻然后翻看了目录、部分章节、后记。初步看下来的印象，能感觉到周老师对于这本书从内容到编排的用心。简单地说几点：从内容来讲，这本书是非常适合用来做为机器学习课程教材的。根据目录看下来，感觉1~9（or 10）章适合本科生课程，具备基本的微积分、线性代数、概率论的知识就可以（大概本科三年级）。后面适合更高年级阅读。“应该有一本国内本科生适合看的中文机器学习书籍”，这也是周老师的本意。更具体的，最重要的公式推导具体到每一步，十分详尽。还有每一章节后面的参考文献也十分详尽。从编排来看，书中将注释留在了侧面，给阅读带来了方便，同时侧面的空白位置适合做笔记或者自己的推导，这是设计之初的想法。不过最戳动我的是后记，周老师讲了他写书的初衷、成书的过程等，文字很具有吸引力，能感觉到周老师的文笔也是极佳，使得我对于这本书的内容的可读性很有信心。建议大家书到手了也看一下后记，特别是周老师在20年前，初求学于这一方向的故事。同事就是书中很多插图的作者，周老师重点致谢的那位，他拿出书的那一刻，能感觉到他的开心。昨天要去修电脑，书就扔在了公司，周一补上更多的图。另，清华大学出版社也放出了样章（），具体可见周老师的微博。最后，成书历时两年，不过做为第一版，虽然经过了非常非常细致的校对工作，难免也会有所疏漏，对于更正，希望大家阅读的时候能有所记录，后可提交于相关人员。--------分割线-------书看了一多半下来，个人觉得最精彩的地方，其实是每一章的“阅读材料”一节（在参考文献之前）。往往短短的不到一页的这一节，是对应章节所讲述的领域的一个简短的综述（survey）。这对于一个有志于深入机器学习的人的最好的资料，在这个领域的历史中每一篇关键的贡献者及其研究著作都会在这里给出，只要“按图索骥”，就能了解这个领域。而只有清楚每一篇重要的文章及其贡献，我们才会了解到每一个领域的研究与发展脉络（我的另一个答案就是按照“遵循历史的进程”这样的方式写出）；我们才能回答，“你所做的工作，到底是有无意义的”这样的问题。也只有周老师这样十几二十几年的深厚的学术功底，能写出这样的简短而有力的内容。这真的是新的机器学习学习者的幸福。以上。
非常适合初中阶学者，细节概念掰扯的特别清楚，有计算机基础想从事机器学习类工作的同学们，可以从这本书出发。PRML和EOSL，属于比较进阶的教程，如果想读懂，能够完成一定量的课后习题，花费的心思会非常多，我有好几次被公式推导卡壳的经历。最最重要的是：周志华这本书是中文的！虽然做技术，不该觉得e文有什么麻烦，但是，啃完一个大部头纯e文的，实在是烧脑和费时。至今好像没看到这两个大部头的中文版，谁知道有了，可以提醒我一下。我要买一套，烧了，送给过去的自己。
前几天刚到货，从封面设计到行文内容都显得非常精致。从前言不难得出全书的整体框架，基本上涉及到了机器学习的大部分领域，应该属于一本较为全面的参考书。一个较大的亮点是每个章节后面都附了参考文献，使得读者能够对于该方面的内容进行深入了解，这是优于大部分书籍的一个重要因素。
这本书拿到手几天，看了样章以后就直接下手买了。买的时候带有一定的为信仰充值的成分，也有梳理自己学习的目的。优点:最重要的就是毕竟是中国大牛写的中文书，比翻译版的文字是要强太多。另外就是作为全新的书内容比较全面，比Duda的模式分类和汤姆米切尔的机器学习都有更多的内容。尤其是决策树部分，写的真心漂亮，我甚至认为比公认决策树部分写得好的米切尔的机器学习还要更出色。SVM和聚类也写的非常精彩。还有就是深度学习虽然没有太深入，但是至少还是有的，和前沿接轨比较好。体系上，上来直接介绍评价方法，这是比较新的结构，对于新手来说这么做可以让他们在上手的时候先不用陷进贝叶斯公式和各种估计算法里拔不出来，我带师弟师妹的时候发现这是个新手通病，太多人掉进数学大坑以后就忘了自己学的是机器学习了...内容上，周老师强大的数学功底让这本书显得非常严谨，算法推导真的太棒了。缺点:首先，毕竟第一版书，有些小错误在所难免，我就不说来知乎看见这个问题之前刚发现一个...另外，受到篇幅限制，虽然最主流的基础算法都基本到位，但是遗传算法和模拟退火这些随机策略没有介绍，个人感觉至少应该有些基本介绍啊...再有，这本书虽然后面有一些数学基础，但是书中的数学显然还是大大超出了附录给出的，所以初学者看起来还是小吃力的。各种线性算法收敛性的证明似乎也没有，个人感觉就算不像模式分类那样做了一整章收敛性证明也起码应该给一个证明，其他的当习题留了呗...非常感谢周老师的辛勤劳动，这是一本非常棒的书，已经准备下半年开学留给新一届师弟师妹入门用了。
目前看到过的，算是最好的“中文”机器学习“教科书”了。有没有人读了么？赶在春节前到货了一本，刚好放假可以看看。目前基本稍微比较仔细看了前九章。因为已经有点基础，看得比较快，看着看着就发现不太对劲，感觉这本书如果读的时候有人能指点一下，效果会更好，才恍然大悟这本其实是教科书。书本身没有很厚，看起来不至于压力很大。毕竟是“教科书”，每一章只有短短的几十页，结合课程用来教学是不错，但自学只看这本书估计有点不太够，可以结合coursera上Andrew Ng和林轩田的课来使用，要是这本书早点出就好了，相见恨晚。以前看视频的时候一直想找一本这样脉络比较好的机器学习教材，一直没找到好的。不一定都有机会上周志华的课，那顺带介绍一些自学材料吧。EM算法“西瓜书”里只有两页，我觉得还是cs229的note讲得比较清楚。神经网络可以参考stanford的UFLDL课程，做做里面的课程实验，加深理解，感受一下用matlab实现BP有多酸爽。类别不均衡问题，最近刚跟大牛学了EasyEnsemble这个trick，书里一句话带过，不注意可能就略过去了，这个trick还是挺简单好用的，值得了解一下。LDA可以看看"LDA数学八卦"。比PRML、ESL如何？PRML打印了一本，因为现在已经上班了，远水解不了近渴，看了一些，然后暂时放边上吃灰了。我这种“实践派”，还不如看sklearn的文档来得实在，毕竟要搬砖赚钱吃饭。真羡慕那些已经“深入学习PRML”的人呐！把道理本身讲清楚是一方面，把道理讲得让别人容易懂是另一方面。所以就需要“西瓜书”绪论那样的引子和西瓜这种通俗易懂的例子。有人说李航的《统计学习方法》适合入门，我自己刚刚入门的时候倒觉得不好懂，不过后面开始摸着门道之后倒觉得不错，把原理和式子列一列，然后再举个例子，就差不多了。不需要太多“废话”。反正这些书都是好书，但适合不同的段位和需求的人。有时间的话，多看看，从不同角度加深理解也是极好。适合什么段位的人读前言已经说了，本科生前9或者前10章。研究生使用全书。大牛可以看看每章后面的"阅读材料"那一小节，不是简单地把材料列出来，其实是summary，高屋建瓴地总结了本章的内容和其中的联系，并给出后续深入的一些阅读材料，看完脑洞大开。
春节期间，学习了周志华教授所著《机器学习》。这本教材洋洋洒洒，有四百多页。但是，由于著者功底深厚，写得举重若轻，读来不觉其厚，每章常常已曲终人散，而笔者仍然意犹未尽。对初学者来说，主要的学习算法与理论都讲得清清楚楚，不枝不蔓。对资深研究者来说，其每章的相关机器学习最新进展评述也都鞭辟入里，独具只眼。统贯全书的西瓜论，更给严肃的学术研究增添了几分生气。这也体现了本书的一大特色，著者与读者共享同一视角。书中既与读者分享了严肃的研究成果，又简要讲述了与机器学习相关的重要故事与人物，实际上本书亦可看作一本有趣的机器学习名人小传。最后，还需要指出，陆汝钤老师的序与著者的后记亦甚有特色。与prml和ESL相比，可读性更高，更适合作为中文教材，实为研读机器学习之利器，特此推荐。
我在24号就下单了，27号在单位收到书！初步翻看了下，以下几点：彩色印刷，纸张之类的很NICE涉及到的知识比较全面，监督和无监督的学习都有讲解了VC维还有深度学习，这个其他书籍一般比较少有公式推理比较多，适合大理论基础后面的文献是亮点
非常好的入门教材，内容全面，适合各种数学水平的初学者。ESL门槛太高，没统计基础和矩阵分析基础基本就不用看；不过内容更加深入模型的背后本质，适合作为phd的教材。
已有帐号？
无法登录？
社交帐号登录有没有人读了么？比PRML、ESL如何？适合什么段位的人读？
买回来准备供起来的，哈哈哈
我在amazon买的这本书，刚刚看完。&br&我的评价是它是一本和Tom M. Mitchell那本Machine Learning具有一样重大意义的书。很有可能，它会成为一本中国无数Machine Learning热爱者的启蒙教材。&br&&br&之所以说它为启蒙教材，是因为它非常合适没有任何背景的初学者看。每一个概念，甚至每一个概念的来龙去脉都讲的非常清楚。例如，我记得我在最开始学习learning theory时，为了弄清楚概念集和假设集的区别，查找了不少的资料，那些资料仿佛都默认大家知道这两个集合的区别，我当时弄的云里雾里。而这本书在十二章里，非常明确的说了它们的区别，并且解释了为什么会有这种区别，仿佛知道初学者一定会在这里迷路一样：）这种感觉差不多类似于下课了肚子好饿正在找东西吃男朋友贴心的递过来一块巧克力。类似的说明贯穿了本书的始终，感觉周老师非常清楚初学者会遇到什么问题，然后会在相应的章节里做出最清晰明了的解释。我个人认为这一点这是全书最大价值所在：它用最简练易懂的文字，描述清楚一个复杂问题。这也是为什么很多人说易读的一个重要原因，这应该也是周老师讲课的一个特点&br&&br&周老师自己也说过他最合适做一个老师。我虽然没有听过周老师的课，但听过很多同事对他讲的keynote赞不绝口，说他能用最简单的语言把一个问题讲清楚。说起来我听过他的一次30分钟左右的非正式keynote，不讲任何背景，直接讲问题和解决方法，令我叹为观止。我看到这本书的感觉，就像听他在讲课一样。&br&&br&同时，它也合适研究者看。因为书的每一章后面都提出了这个技术发展的脉络，以及最精炼的参考文献。如果对这个领域有兴趣，顺着参考文献看下去就可以了解最前沿最详细的内容。当然其他书也有参考文献，但往往挑选的不够细致和简练，也缺乏相应的概述。我不是专门研究Machine Learning的，但也不算初学者。大家提到的PRML，EOSL我都看过，按道理说不应该再看入门教材，但我依旧决定花几周的时间仔细把这本书弄清楚。&br&&br&最后说一下这本书和PRML以及EOSL的区别。很多人觉得PRML比EOSL更难，其实是更厚…但不难。PRML像一本工具书，或者是字典，任何需要的知识几乎都能在上面找到。内容写的多，深度适中，所以我觉得作为参考书是极好的，但不合适做教材，更不合适做初学者入门教程。EOSL内容少一点，每一项内容不多，但精深，需要有良好的统计背景知识。它适合完整读一遍，但不合适做字典，同样也不合适做入门教程。周老师的这本书和那两本比起来更合适做入门教程。它更像1997年出版的Mitchell写的那本经典的Machine Learning，和那本书一样，一定会对中国的机器学习初学者和研究者起着深远意义。&br&&br&&br&写到最后，感觉像一篇软文，可怜我连一本签名版都没有拿到 :(&br&&br&&img src=&/361d5f3b52977dededaa_b.jpg& data-rawwidth=&956& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&956& data-original=&/361d5f3b52977dededaa_r.jpg&&
我在amazon买的这本书，刚刚看完。 我的评价是它是一本和Tom M. Mitchell那本Machine Learning具有一样重大意义的书。很有可能，它会成为一本中国无数Machine Learning热爱者的启蒙教材。 之所以说它为启蒙教材，是因为它非常合适没有任何背景的初学者看。…
昨天开包裹感言：&b&第一版第一次印刷，收到周志华老师写的《机器学习》，就像十五岁收到《十一月的萧邦》正版CD一样开心。开读。&/b&&br&&br&全书结构大致如下：&br&【1~3章】介绍机器学习基本知识（绪论、模型评估与选择、线性模型）&br&【4~10章】介绍一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）&br&【11~16章】介绍一些进阶知识（特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习、强化学习）&br&&br&从目录可以看出，书在内容上比较全面的介绍机器学习的各个分支，以及重要而常用的方法，也有一些我以前不知道的内容，比如第十六章强化学习。从昨天拿到书一直读到今天，总体感觉读起来非常流畅，周老师似乎在力求&b&用轻松、简要而又能帮你将思维一层一层捋清楚，从而搭建出关于这门学科的思维大楼的方式在写整本书。&/b&既适合于入门读者，也适合于已有这门学科背景但又想再一次如沐春风的进阶读者。（当然啦不排除我是周老师的粉丝，有主观偏爱在里面，捂脸~）&br&&br&反正我看完第一章第一个自然段就放不下这本书了，如下&br&&blockquote&傍晚小街路面上沁出微雨后的湿润，和煦的西风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、翘起来声音浊响的青绿西瓜，一边满心期待着皮薄肉厚瓤甜的爽落感，一边愉快地想着，这学期狠下了功夫，基础概念弄得清清楚楚，算法作业也是信手拈来，这门课成绩一定差不了！&/blockquote&来让我们一起来咬一口这本被西瓜贯穿全书的读物~&br&&img src=&/f8f95a6da7a00cd966c4c6cc_b.jpg& data-rawwidth=&358& data-rawheight=&477& class=&content_image& width=&358&&
昨天开包裹感言：第一版第一次印刷，收到周志华老师写的《机器学习》，就像十五岁收到《十一月的萧邦》正版CD一样开心。开读。 全书结构大致如下： 【1~3章】介绍机器学习基本知识（绪论、模型评估与选择、线性模型） 【4~10章】介绍一些经典而常用的机器学…
已有帐号？
无法登录？
社交帐号登录有没有人读了么？比PRML、ESL如何？适合什么段位的人读？
在文末更新了一下答案，一定要看：书是昨天到的。我去取的快递，到手之后交给同事打开，因为同事是这本书的contributor之一，周围没有人比他来拆开更合适了~p.s.拆书的一刻还引起了周围人的围观，搞个大新闻然后翻看了目录、部分章节、后记。初步看下来的印象，能感觉到周老师对于这本书从内容到编排的用心。简单地说几点：从内容来讲，这本书是非常适合用来做为机器学习课程教材的。根据目录看下来，感觉1~9（or 10）章适合本科生课程，具备基本的微积分、线性代数、概率论的知识就可以（大概本科三年级）。后面适合更高年级阅读。“应该有一本国内本科生适合看的中文机器学习书籍”，这也是周老师的本意。更具体的，最重要的公式推导具体到每一步，十分详尽。还有每一章节后面的参考文献也十分详尽。从编排来看，书中将注释留在了侧面，给阅读带来了方便，同时侧面的空白位置适合做笔记或者自己的推导，这是设计之初的想法。不过最戳动我的是后记，周老师讲了他写书的初衷、成书的过程等，文字很具有吸引力，能感觉到周老师的文笔也是极佳，使得我对于这本书的内容的可读性很有信心。建议大家书到手了也看一下后记，特别是周老师在20年前，初求学于这一方向的故事。同事就是书中很多插图的作者，周老师重点致谢的那位，他拿出书的那一刻，能感觉到他的开心。昨天要去修电脑，书就扔在了公司，周一补上更多的图。另，清华大学出版社也放出了样章（），具体可见周老师的微博。最后，成书历时两年，不过做为第一版，虽然经过了非常非常细致的校对工作，难免也会有所疏漏，对于更正，希望大家阅读的时候能有所记录，后可提交于相关人员。--------分割线-------书看了一多半下来，个人觉得最精彩的地方，其实是每一章的“阅读材料”一节（在参考文献之前）。往往短短的不到一页的这一节，是对应章节所讲述的领域的一个简短的综述（survey）。这对于一个有志于深入机器学习的人的最好的资料，在这个领域的历史中每一篇关键的贡献者及其研究著作都会在这里给出，只要“按图索骥”，就能了解这个领域。而只有清楚每一篇重要的文章及其贡献，我们才会了解到每一个领域的研究与发展脉络（我的另一个答案就是按照“遵循历史的进程”这样的方式写出）；我们才能回答，“你所做的工作，到底是有无意义的”这样的问题。也只有周老师这样十几二十几年的深厚的学术功底，能写出这样的简短而有力的内容。这真的是新的机器学习学习者的幸福。以上。
我在amazon买的这本书，刚刚看完。&br&我的评价是它是一本和Tom M. Mitchell那本Machine Learning具有一样重大意义的书。很有可能，它会成为一本中国无数Machine Learning热爱者的启蒙教材。&br&&br&之所以说它为启蒙教材，是因为它非常合适没有任何背景的初学者看。每一个概念，甚至每一个概念的来龙去脉都讲的非常清楚。例如，我记得我在最开始学习learning theory时，为了弄清楚概念集和假设集的区别，查找了不少的资料，那些资料仿佛都默认大家知道这两个集合的区别，我当时弄的云里雾里。而这本书在十二章里，非常明确的说了它们的区别，并且解释了为什么会有这种区别，仿佛知道初学者一定会在这里迷路一样：）这种感觉差不多类似于下课了肚子好饿正在找东西吃男朋友贴心的递过来一块巧克力。类似的说明贯穿了本书的始终，感觉周老师非常清楚初学者会遇到什么问题，然后会在相应的章节里做出最清晰明了的解释。我个人认为这一点这是全书最大价值所在：它用最简练易懂的文字，描述清楚一个复杂问题。这也是为什么很多人说易读的一个重要原因，这应该也是周老师讲课的一个特点&br&&br&周老师自己也说过他最合适做一个老师。我虽然没有听过周老师的课，但听过很多同事对他讲的keynote赞不绝口，说他能用最简单的语言把一个问题讲清楚。说起来我听过他的一次30分钟左右的非正式keynote，不讲任何背景，直接讲问题和解决方法，令我叹为观止。我看到这本书的感觉，就像听他在讲课一样。&br&&br&同时，它也合适研究者看。因为书的每一章后面都提出了这个技术发展的脉络，以及最精炼的参考文献。如果对这个领域有兴趣，顺着参考文献看下去就可以了解最前沿最详细的内容。当然其他书也有参考文献，但往往挑选的不够细致和简练，也缺乏相应的概述。我不是专门研究Machine Learning的，但也不算初学者。大家提到的PRML，EOSL我都看过，按道理说不应该再看入门教材，但我依旧决定花几周的时间仔细把这本书弄清楚。&br&&br&最后说一下这本书和PRML以及EOSL的区别。很多人觉得PRML比EOSL更难，其实是更厚…但不难。PRML像一本工具书，或者是字典，任何需要的知识几乎都能在上面找到。内容写的多，深度适中，所以我觉得作为参考书是极好的，但不合适做教材，更不合适做初学者入门教程。EOSL内容少一点，每一项内容不多，但精深，需要有良好的统计背景知识。它适合完整读一遍，但不合适做字典，同样也不合适做入门教程。周老师的这本书和那两本比起来更合适做入门教程。它更像1997年出版的Mitchell写的那本经典的Machine Learning，和那本书一样，一定会对中国的机器学习初学者和研究者起着深远意义。&br&&br&&br&写到最后，感觉像一篇软文，可怜我连一本签名版都没有拿到 :(&br&&br&&img src=&/361d5f3b52977dededaa_b.jpg& data-rawwidth=&956& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&956& data-original=&/361d5f3b52977dededaa_r.jpg&&
我在amazon买的这本书，刚刚看完。 我的评价是它是一本和Tom M. Mitchell那本Machine Learning具有一样重大意义的书。很有可能，它会成为一本中国无数Machine Learning热爱者的启蒙教材。 之所以说它为启蒙教材，是因为它非常合适没有任何背景的初学者看。…
昨天开包裹感言：&b&第一版第一次印刷，收到周志华老师写的《机器学习》，就像十五岁收到《十一月的萧邦》正版CD一样开心。开读。&/b&&br&&br&全书结构大致如下：&br&【1~3章】介绍机器学习基本知识（绪论、模型评估与选择、线性模型）&br&【4~10章】介绍一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）&br&【11~16章】介绍一些进阶知识（特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习、强化学习）&br&&br&从目录可以看出，书在内容上比较全面的介绍机器学习的各个分支，以及重要而常用的方法，也有一些我以前不知道的内容，比如第十六章强化学习。从昨天拿到书一直读到今天，总体感觉读起来非常流畅，周老师似乎在力求&b&用轻松、简要而又能帮你将思维一层一层捋清楚，从而搭建出关于这门学科的思维大楼的方式在写整本书。&/b&既适合于入门读者，也适合于已有这门学科背景但又想再一次如沐春风的进阶读者。（当然啦不排除我是周老师的粉丝，有主观偏爱在里面，捂脸~）&br&&br&反正我看完第一章第一个自然段就放不下这本书了，如下&br&&blockquote&傍晚小街路面上沁出微雨后的湿润，和煦的西风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、翘起来声音浊响的青绿西瓜，一边满心期待着皮薄肉厚瓤甜的爽落感，一边愉快地想着，这学期狠下了功夫，基础概念弄得清清楚楚，算法作业也是信手拈来，这门课成绩一定差不了！&/blockquote&来让我们一起来咬一口这本被西瓜贯穿全书的读物~&br&&img src=&/f8f95a6da7a00cd966c4c6cc_b.jpg& data-rawwidth=&358& data-rawheight=&477& class=&content_image& width=&358&&
昨天开包裹感言：第一版第一次印刷，收到周志华老师写的《机器学习》，就像十五岁收到《十一月的萧邦》正版CD一样开心。开读。 全书结构大致如下： 【1~3章】介绍机器学习基本知识（绪论、模型评估与选择、线性模型） 【4~10章】介绍一些经典而常用的机器学…
已有帐号？
无法登录？
社交帐号登录
Algorithm Engineer@iDST, Alibaba