统计学习必学的十个问题——理论与实践
李轩涯 张暐
69人在读
8.1万字总字数
¥34.86定价
李轩涯 张暐
统计学习是机器学习的重要分支，本书兼顾了数学上的理论和代码实践，内容主要包括基础知识和统计学习模型。第1章、第2章结合VC维介绍过拟合的本质，并介绍手动特征选择的办法； 第3章、第4章从最简单的线性模型出发经过概率统计的解读而得到分类和回归算法； 第5章讨论不依赖于假设分布的非参数模型； 第6章介绍将核方法作为一种非线性拓展的技巧，介绍如何将该方法应用到很多算法中，并引出了著名的高斯过程； 第7章以混合高斯作为软分配聚类的代表性方法，从而引出著名的EM算法； 第8章讨论了机器学习的集成算法； 第9章介绍的线性和非线性降维方法将会解决维度灾难问题，并且不同于单纯的特征选择； 第10章讨论不依赖于独立同分布假设的时间序列算法。
阅读的纸质书，可以当做机器学习导论来看。因为之前阅读过深度学习，机器学习导论，强化学习，这种情况下再看这本书里面有一可取之处但是不多。 说下这本书的缺点吧：1.存在模型参数的数学标记出现的很突兀，从章节头开始翻也没找到出处，比如核方法中的kkt条件描述里的g(x,w,t)；2.书中的模型推导设计，模型推导只写了关键步骤没有过程，部分内容使用语言描述，模型效果用语言描述的很好，这是值得肯定的，但是一些推导步骤和定理使用语言描述欠妥，最典型的就是kkt条件的描述，本来掌握的看完懵逼了；3.这本书存在矛盾和错误的地方，这也是很多国内机器学习新书出版的通病，第六章核方法的高斯核函数推导出现错误，指数函数的自变量分解是这样的吗？应该是类似exp((a+b)/c)=exp(a/c)exp(b/c)吧。第八章自助法前说的1/e样本未采样，但是后面出现自助法描述的是样本挑中概率的极限是1/e并且极限符号下变量x表达式为m，前后不一致； 这本书的定位应该是有机器学习基础的群体，因为每个人对于模型的认识都不一样，我是重点读了决策树和核方法，感觉受益匪浅，很多角度和实践都是之前看资料没有的。最后这本书适合新手了解机器学习大概但不适合深读，深读会很痛苦，啥也没学会啥也没弄懂。
公式比较多，骨头比较难啃，但看完了还是有用的。