統計學習方法（第2版）

不同行業之間需要掌握的專業知識不一樣。看此書；如果你不是專業人士，那就是外行看熱鬧了…… 摘抄； 本書主要是面向將統計學習方法作爲工具的科研人員與學生，特別是從事信息檢索、自然語言處理、文本數據挖掘及相關領域的研究與開發的科研人員與學生。 本書力求系統而詳細地介紹統計學習的方法。在內容選取上，側重介紹那些最重要、最常用的方法，特別是關於分類與標註問題的方法。

我真看不了一頁 北大韋神可以一目十行 我雖然書上的字都認識 但連在一起真的看不懂 不過也不能說我一無是處 飯還是挺能喫的

機器學習經典好書，概念講解嚴謹而清晰，深度和廣度適中，總結到位，句句精闢。雖然數學符號和公式很多，但配合深入淺出的文字說明，並不難懂。儘管本書講解還算通俗易懂，但沒有線性代數，微積分和概率統計的基礎知識以及必要的機器學習相關概念，初學者還是比較容易被嚇跑的，建議讀者掌握一定基礎後再讀本書，纔會有豁然開朗，柳暗花明之感。

看了一會兒看不下去了，滿篇的術語和不通順的語句。一些明明很簡單的術語非要變着法兒的包裝成拗口且看似高大上的名詞。彷彿是在刻意建起高牆，讓一些如今唾手可得的爛大街的知識僅在一個小圈子裏流通。這本書依舊犯了很多國內科普書籍的通病：不太愛說人話。可能各位磚家的基礎可能真的還沒紮實到能夠用人話爲我們娓娓道來吧。

在李航老師的《統計學習方法》一書中，提出機器學習由“模型”“策略”和“算法”三個要素構成： 機器學習＝模型+策略+算法 模型是指機器學習所要產出的內容，它一般會以一個可被計算的決策函數或者條件概率分佈函數的形式存在。把未知的新數據代入到這個模型中計算，就會得到符合真實情況的輸出結果。 策略是指要按照什麼樣的準則進行學習，具體一點是按照什麼樣的準則選擇出最優的模型。從宏觀角度講，一般我們都會以“減少模型的輸出結果與真實情況差距”作爲學習的準則，這裏的“差距”同樣也是以一個可被計算函數的形式來描述的，被稱爲“損失函數”。 算法是指如何依靠歷史數據，把正確的模型中涉及的未知參數都找出來。在確定尋找最優模型的策略後，機器學習的問題便歸結爲尋找出模型最優參數的優化的問題。 —周志明

統計學習是計算機及其應用領域的一門重要的學科。本書全面系統地介紹了統計學習的主要方法，特別是監督學習方法，包括感知機、k近鄰法、樸素貝葉斯法、決策樹、邏輯斯諦迴歸與最大熵模型、支持向量機、提升方法、em算法、隱馬爾可夫模型和條件隨機場等。除第1章概論和最後一章總結外，每章介紹一種方法。敘述從具體問題或實例入手，由淺入深，闡明思路，給出必要的數學推導，便於讀者掌握統計學習方法的實質，學會運用。爲滿足讀者進一步學習的需要，書中還介紹了一些相關研究，給出了少量習題，列出了主要參考文獻

本書以數學理論爲主，典型的教科書式寫法：簡介->定義->定理->證明->引理->公式推導->算法步驟->例題->習題->參考文獻。 雖然我常常一邊看一邊打呵欠😂，但不得不承認本書的理論推導很細緻，例題簡單倒也恰到好處。

《統計學習方法》作爲一本經典教材，內容詳實，涵蓋了機器學習中大多數常見算法，不過對於數學基礎的要求比較高，第一遍系統學習確實覺得很難，而且看書的過程中尤其是公式推導部分太枯燥，所以搭配B站簡博士的視頻學完了監督學習的內容，同時學習過程中參考了一些代碼實現的書比如《機器學習的數學解析與Python實現》等，做一做實驗可以直觀地體會各種算法的應用，總的來說，第一遍過掌握得很淺顯，以後還得慢慢深入學習，加深理解。

感謝微信讀書，訂閱的書籍到來的這麼快😆

💙第一個是大數定律，它是整個概率學的基礎。在生活中，想要做好財產管理和風險投資，都離不開它。 💙這就是“大數定律”的主要內涵，用數學術語來表達，那就是當試驗次數足夠多時，實驗結果的平均值會無限地接近一個數值，這個數值一般叫做“期望值”。 💙我們要注意，大數定律成立的前提是“試驗次數足夠多”。 💙那中心極限定理的含義就是，任意一個羣體樣本的平均值，都會圍繞在這個羣體的整體平均值周圍。我們對一個基數龐大的羣體做統計調查的時候，只要對其中的一部分樣本進行研究，得出的結論就能反映整個羣體的特點，而且抽樣的數量越大，準確性越高。 💙總結一下，隨機抽樣是我們開展調查統計的第一步，我們要通過正確抽樣，來保證第一手的數據是可靠的、沒有偏見的。 💙統計學原理雖然看似簡單，但卻不是人人都能做數據分析師。因爲它既能給我們的觀點找到嚴謹的數據支持，但有時也會給一個錯誤的結論，披上合理的外衣。 💙統計學原理雖然不那麼複雜，但它仍然是一項嚴肅的科學，需要時刻帶着客觀、嚴謹的思維去審視數據和風險。 所以，掌握一些基本的統計學知識，刻意挑戰一下自己對世界的直觀感性認識，培養理性判斷的能力，會對我們很有幫助。