機器學習需看書籍

http://blog.csdn.net/pandav5/article/details/53098720

若是你只願意看一本書，那麼推薦Bishop的PRML，全名Pattern Recognition and Machine Learning. 這本書是機器學習的聖經之做，尤爲對於貝葉斯方法，介紹很是完善。該書也是衆多高校機器學習研究生課程的教科書，如Deep Learning的開山鼻祖Hilton在多倫多大學教授機器學習課程（CSC2515）時也選擇了這本書。該書電子版在Bishop我的網頁提供直接下載。不過提早說明一下，這本書若是看了半年，看完三遍才能理解透，也屬於正常。第一遍看不懂很正常，因此須要鍥而不捨。

http://research.microsoft.com/en-us/um/people/cmbishop/prml/

第二本書就是ESL(The Elements of Statistical Learning)。中文翻譯叫統計學習基礎，其實這個翻譯不夠準確，Statistical Learning並不是statistics，叫機器學習基礎更加準確。該書數學推導，理論系統很完備，結合後面的exercise用R語言本身聯繫一下，對於理解機器學習的基本方法頗有幫助，如：Logistic，Ridge regression等。這本書一樣能夠在做者網站上直接下載到電子版。

http://statweb.stanford.edu/~tibs/ElemStatLearn/

有了理論基礎，再結合一些教授的課程進行學習，效果更好。目前很流行的斯坦福大學機器學習公開課，在網易公開課中甚至都有中文版字幕出來，是很是不錯的入門教程。不過我的更喜歡Hilton的機器學習課程。由於你看了上述兩本書以後，基礎知識基本都OK了，再看Stanford公開課仍是基礎。而Hilton的課程更加貼近目前的學術研究熱點，好比對於Neural network，Deep Belief Nets的介紹，他的課程中包括了最先期的RBM的實現http://www.cs.toronto.edu/~hinton/MatlabForSciencePaper.html 。值得一看。他老人家的課程地址：http://www.cs.toronto.edu/~hinton/csc2515/lectures.html 特別推薦作一作其中的assignments：http://www.cs.toronto.edu/~hinton/csc2515/assignments.html

 

 

這三本都刷過一些，力薦MLAPP。

1. PRML 和 MLAPP有點像，都是羅列ML各類模型，可是PRML比MLAPP更加偏機率解釋，有些爲了機率而機率。MLAPP比較中立，內容更新一些，並且附件資料充足(有代碼)
2. ESL內容側重 與 「PRML 和 MLAPP」 都不一樣，細節每每都沒有細講，須要看對應的paper才能搞懂。不算是很適合的入門教材。
3. 此外還有一本 Foundations of Machine Learning

 

 

推薦MLAPP。理由以下： (1)MLAPP對機器學習基本理論（機率、分佈、推理）的解釋到位，而且前幾章專門進行這部分的知識補充、回顧和訓練，很是有助於對具體模型的理解，在具體模型須要進行公式推導的時候也頗有價值。 (2)MLAPP模型比較全，什麼樣的模型都有，不只有基於貝葉斯統計的絕大多數常見機器學習模型，還包括了一些非機率模型或者機率解釋很困難的模型。有時候後面這些模型也是有用的，即便你不用不表明跟你同組的人不用，有必要了解這些模型（PRML上這部分模型的資料相對缺少）。 (3)對於基於機率的模型，有一些模型MLAPP講的也足夠全，畢竟是後編寫的書籍，有一些更加符合時代潮流的方法，另外也講的更細，有些方法若是隻進行不深刻的瞭解的話，不用查論文，直接看MLAPP就夠了，這自己就是價值。有的方法即便PRML也講到了，我也認爲MLAPP講的比PRML更優秀，好比kernel和sparse kernel machine。就像上面有人說的，PRML有點爲了機率而機率。