統計學習必學的十個問題——理論與實踐
李軒涯 張暐
69人在讀
8.1萬字總字數
¥34.86定價
李軒涯 張暐
統計學習是機器學習的重要分支，本書兼顧了數學上的理論和代碼實踐，內容主要包括基礎知識和統計學習模型。第1章、第2章結合VC維介紹過擬合的本質，並介紹手動特徵選擇的辦法； 第3章、第4章從最簡單的線性模型出發經過概率統計的解讀而得到分類和迴歸算法； 第5章討論不依賴於假設分佈的非參數模型； 第6章介紹將核方法作爲一種非線性拓展的技巧，介紹如何將該方法應用到很多算法中，並引出了著名的高斯過程； 第7章以混合高斯作爲軟分配聚類的代表性方法，從而引出著名的EM算法； 第8章討論了機器學習的集成算法； 第9章介紹的線性和非線性降維方法將會解決維度災難問題，並且不同於單純的特徵選擇； 第10章討論不依賴於獨立同分布假設的時間序列算法。
閱讀的紙質書，可以當做機器學習導論來看。因爲之前閱讀過深度學習，機器學習導論，強化學習，這種情況下再看這本書裏面有一可取之處但是不多。 說下這本書的缺點吧：1.存在模型參數的數學標記出現的很突兀，從章節頭開始翻也沒找到出處，比如核方法中的kkt條件描述裏的g(x,w,t)；2.書中的模型推導設計，模型推導只寫了關鍵步驟沒有過程，部分內容使用語言描述，模型效果用語言描述的很好，這是值得肯定的，但是一些推導步驟和定理使用語言描述欠妥，最典型的就是kkt條件的描述，本來掌握的看完懵逼了；3.這本書存在矛盾和錯誤的地方，這也是很多國內機器學習新書出版的通病，第六章核方法的高斯核函數推導出現錯誤，指數函數的自變量分解是這樣的嗎？應該是類似exp((a+b)/c)=exp(a/c)exp(b/c)吧。第八章自助法前說的1/e樣本未採樣，但是後面出現自助法描述的是樣本挑中概率的極限是1/e並且極限符號下變量x表達式爲m，前後不一致； 這本書的定位應該是有機器學習基礎的羣體，因爲每個人對於模型的認識都不一樣，我是重點讀了決策樹和核方法，感覺受益匪淺，很多角度和實踐都是之前看資料沒有的。最後這本書適合新手瞭解機器學習大概但不適合深讀，深讀會很痛苦，啥也沒學會啥也沒弄懂。
公式比較多，骨頭比較難啃，但看完了還是有用的。