统计学习方法（第2版）

不同行业之间需要掌握的专业知识不一样。看此书；如果你不是专业人士，那就是外行看热闹了…… 摘抄； 本书主要是面向将统计学习方法作为工具的科研人员与学生，特别是从事信息检索、自然语言处理、文本数据挖掘及相关领域的研究与开发的科研人员与学生。 本书力求系统而详细地介绍统计学习的方法。在内容选取上，侧重介绍那些最重要、最常用的方法，特别是关于分类与标注问题的方法。

我真看不了一页 北大韦神可以一目十行 我虽然书上的字都认识 但连在一起真的看不懂 不过也不能说我一无是处 饭还是挺能吃的

机器学习经典好书，概念讲解严谨而清晰，深度和广度适中，总结到位，句句精辟。虽然数学符号和公式很多，但配合深入浅出的文字说明，并不难懂。尽管本书讲解还算通俗易懂，但没有线性代数，微积分和概率统计的基础知识以及必要的机器学习相关概念，初学者还是比较容易被吓跑的，建议读者掌握一定基础后再读本书，才会有豁然开朗，柳暗花明之感。

看了一会儿看不下去了，满篇的术语和不通顺的语句。一些明明很简单的术语非要变着法儿的包装成拗口且看似高大上的名词。仿佛是在刻意建起高墙，让一些如今唾手可得的烂大街的知识仅在一个小圈子里流通。这本书依旧犯了很多国内科普书籍的通病：不太爱说人话。可能各位砖家的基础可能真的还没扎实到能够用人话为我们娓娓道来吧。

在李航老师的《统计学习方法》一书中，提出机器学习由“模型”“策略”和“算法”三个要素构成： 机器学习＝模型+策略+算法 模型是指机器学习所要产出的内容，它一般会以一个可被计算的决策函数或者条件概率分布函数的形式存在。把未知的新数据代入到这个模型中计算，就会得到符合真实情况的输出结果。 策略是指要按照什么样的准则进行学习，具体一点是按照什么样的准则选择出最优的模型。从宏观角度讲，一般我们都会以“减少模型的输出结果与真实情况差距”作为学习的准则，这里的“差距”同样也是以一个可被计算函数的形式来描述的，被称为“损失函数”。 算法是指如何依靠历史数据，把正确的模型中涉及的未知参数都找出来。在确定寻找最优模型的策略后，机器学习的问题便归结为寻找出模型最优参数的优化的问题。 —周志明

统计学习是计算机及其应用领域的一门重要的学科。本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献

本书以数学理论为主，典型的教科书式写法：简介->定义->定理->证明->引理->公式推导->算法步骤->例题->习题->参考文献。 虽然我常常一边看一边打呵欠😂，但不得不承认本书的理论推导很细致，例题简单倒也恰到好处。

《统计学习方法》作为一本经典教材，内容详实，涵盖了机器学习中大多数常见算法，不过对于数学基础的要求比较高，第一遍系统学习确实觉得很难，而且看书的过程中尤其是公式推导部分太枯燥，所以搭配B站简博士的视频学完了监督学习的内容，同时学习过程中参考了一些代码实现的书比如《机器学习的数学解析与Python实现》等，做一做实验可以直观地体会各种算法的应用，总的来说，第一遍过掌握得很浅显，以后还得慢慢深入学习，加深理解。

感谢微信读书，订阅的书籍到来的这么快😆

💙第一个是大数定律，它是整个概率学的基础。在生活中，想要做好财产管理和风险投资，都离不开它。 💙这就是“大数定律”的主要内涵，用数学术语来表达，那就是当试验次数足够多时，实验结果的平均值会无限地接近一个数值，这个数值一般叫做“期望值”。 💙我们要注意，大数定律成立的前提是“试验次数足够多”。 💙那中心极限定理的含义就是，任意一个群体样本的平均值，都会围绕在这个群体的整体平均值周围。我们对一个基数庞大的群体做统计调查的时候，只要对其中的一部分样本进行研究，得出的结论就能反映整个群体的特点，而且抽样的数量越大，准确性越高。 💙总结一下，随机抽样是我们开展调查统计的第一步，我们要通过正确抽样，来保证第一手的数据是可靠的、没有偏见的。 💙统计学原理虽然看似简单，但却不是人人都能做数据分析师。因为它既能给我们的观点找到严谨的数据支持，但有时也会给一个错误的结论，披上合理的外衣。 💙统计学原理虽然不那么复杂，但它仍然是一项严肃的科学，需要时刻带着客观、严谨的思维去审视数据和风险。 所以，掌握一些基本的统计学知识，刻意挑战一下自己对世界的直观感性认识，培养理性判断的能力，会对我们很有帮助。