白話機器學習算法

梯度提升（gradient boosting）：這種監督學習技術用於生成多棵決策樹。與隨機森林不同，梯度提升通過有策略地選擇不同的二元選擇題來生成每個分支，從而逐步提高決策樹的預測準確度。然後，爲每棵樹的預測結果賦予一定的權重（決策樹越靠後，權重越大），並組合所有結果，從而產生最終的預測結果。 梯度下降（gradient descent）：這種方法用於調整模型參數。它先爲一組參數值估計初始值，而後通過一個迭代過程，把這些估計值應用於每個數據點做預測，然後調整估計值，以減少整體預測誤差。

通俗易懂，可以全局感受一下機器學習，挑感興趣的可以深入學習

這本書是絕對的入門級讀本，甚至都可以說是科普讀物了，一個公式都沒有，太神奇了

說實話，有些水。每章的內容還不如csdn上的文章。

簡單介紹了一些機器學習算法，並且列舉了一些例子，看完對這些算法有了大概的瞭解；但是對原理和使用還是比較模糊，看完有種一知半解的感覺

既然是白話，似乎可以被認爲是科普性質的書，但其實科普類型的是很難寫的，不像是論文，其發表的地方位置已經做了目標受衆的過濾或者不是受衆的至少也有一個心理預期，但書就不太一樣了，需要在考慮受衆的知識背景後做到“一致”，即書寫作的方法和文字，的確可以被這些受衆理解。 機器學習相對同時代的其他技術，本身就有一定的門檻，如果要白話的話，爲了一致，至少不能用受衆不懂的概念解釋另一個受衆不懂的概念，或者出現和上下文看不出聯繫的概念，要做到這一點，很多的鋪墊是需要的，不能假設，不能怕囉嗦。然後考慮內容組織的邏輯，比如：從現實生活中的事引出問題，講述解決問題的宏觀思路，把思路用可以用指標和計算表示的方式表達出來，把方法在問題上套用下看看效果，引發對類似問題的思考，講講方法的優缺點。這本書的第一二六點還可以。

第一次看這種類型的書，雖是入門，還是一知半解！知識是沒怎麼學到，有一點驚訝，原來數據科學是那麼的不確定的，甚至預測結果還會有無法解釋的！！！一直以爲數據就像考試時的數學題，一定會有一個唯一值答案，不像語文閱讀只有參考答案。感覺怪彆扭的，不太喜歡這種模糊不清晰的預測，那些遊離在模型之外的數據點真可憐！

我們腦科學的公號平時就熱衷於接收科普文章，看着每位小夥伴的投稿，有次忽然意識到，能學好本專業得知識已經相當不容易了，若能做到將艱深的專業知識通過平實的語言表述出來，那更是難上加難：一方面需要對自身的專業有相當的功底，另一方面也需要對所用語言的熟練掌握。這本書內容雖然淺顯，但確實做到了“白話”，挺值得休閒時看看的。

用白話的方式介紹了多種機器學習算法（線性規劃、k均值聚類、k最近鄰模型、關聯規則、神經網絡、決策樹、隨機森林……）的概念、實例、適用場景、不足及如何調優改進，不涉及任何數學公式，非常適合對機器學習有興趣的人員的科普。能把如此專業高深令人望而生畏的機器學習寫成大白話，真的相當可以了。薄薄的一本，兩個多小時就讀完了，不過讀完確實有些名詞也記不住，有需要還得再翻翻。

對於機器學習小白而言，這是一本非常適合掃盲的書，沒有複雜的數學公式，代以簡潔明瞭的圖片講清楚很多基本的概念。