白话机器学习算法

梯度提升（gradient boosting）：这种监督学习技术用于生成多棵决策树。与随机森林不同，梯度提升通过有策略地选择不同的二元选择题来生成每个分支，从而逐步提高决策树的预测准确度。然后，为每棵树的预测结果赋予一定的权重（决策树越靠后，权重越大），并组合所有结果，从而产生最终的预测结果。 梯度下降（gradient descent）：这种方法用于调整模型参数。它先为一组参数值估计初始值，而后通过一个迭代过程，把这些估计值应用于每个数据点做预测，然后调整估计值，以减少整体预测误差。

通俗易懂，可以全局感受一下机器学习，挑感兴趣的可以深入学习

这本书是绝对的入门级读本，甚至都可以说是科普读物了，一个公式都没有，太神奇了

说实话，有些水。每章的内容还不如csdn上的文章。

简单介绍了一些机器学习算法，并且列举了一些例子，看完对这些算法有了大概的了解；但是对原理和使用还是比较模糊，看完有种一知半解的感觉

既然是白话，似乎可以被认为是科普性质的书，但其实科普类型的是很难写的，不像是论文，其发表的地方位置已经做了目标受众的过滤或者不是受众的至少也有一个心理预期，但书就不太一样了，需要在考虑受众的知识背景后做到“一致”，即书写作的方法和文字，的确可以被这些受众理解。 机器学习相对同时代的其他技术，本身就有一定的门槛，如果要白话的话，为了一致，至少不能用受众不懂的概念解释另一个受众不懂的概念，或者出现和上下文看不出联系的概念，要做到这一点，很多的铺垫是需要的，不能假设，不能怕啰嗦。然后考虑内容组织的逻辑，比如：从现实生活中的事引出问题，讲述解决问题的宏观思路，把思路用可以用指标和计算表示的方式表达出来，把方法在问题上套用下看看效果，引发对类似问题的思考，讲讲方法的优缺点。这本书的第一二六点还可以。

第一次看这种类型的书，虽是入门，还是一知半解！知识是没怎么学到，有一点惊讶，原来数据科学是那么的不确定的，甚至预测结果还会有无法解释的！！！一直以为数据就像考试时的数学题，一定会有一个唯一值答案，不像语文阅读只有参考答案。感觉怪别扭的，不太喜欢这种模糊不清晰的预测，那些游离在模型之外的数据点真可怜！

我们脑科学的公号平时就热衷于接收科普文章，看着每位小伙伴的投稿，有次忽然意识到，能学好本专业得知识已经相当不容易了，若能做到将艰深的专业知识通过平实的语言表述出来，那更是难上加难：一方面需要对自身的专业有相当的功底，另一方面也需要对所用语言的熟练掌握。这本书内容虽然浅显，但确实做到了“白话”，挺值得休闲时看看的。

用白话的方式介绍了多种机器学习算法（线性规划、k均值聚类、k最近邻模型、关联规则、神经网络、决策树、随机森林……）的概念、实例、适用场景、不足及如何调优改进，不涉及任何数学公式，非常适合对机器学习有兴趣的人员的科普。能把如此专业高深令人望而生畏的机器学习写成大白话，真的相当可以了。薄薄的一本，两个多小时就读完了，不过读完确实有些名词也记不住，有需要还得再翻翻。

对于机器学习小白而言，这是一本非常适合扫盲的书，没有复杂的数学公式，代以简洁明了的图片讲清楚很多基本的概念。