简介
精彩点评
-
Wendy推荐
重点讲了回归和分类两种机器学习以及对应的模型评估方法。 回归猜测多项式，引入误差函数。通过最小化误差函数修正多项式。修正误差函数的方法有最速下降法，利用所有数据偏微分更新参数，但缺点在于计算量过大，故引入随机梯度下降法和小批量梯度下降法，随机利用某个或某些数据偏微分更新参数。 分类如果线性可分，可以猜测权重向量，并使得它能够和分割线的内积为零。修正权重向量的方法有感知机。分类如果非线性，可以看概率，引入sigmoid函数作为概率，通过定义目标函数微分更新参数。目标函数有似然函数，可取对数变形。 模型评估有交叉验证，把数据分为训练集和测试集。利用测试集，回归可求均方误差验证，分类求精度、精确度、召回率或F值验证。根据学习曲线可以区分过拟合和欠拟合。为了防止模型过拟合，可以正则化，增加正则化项使得参数变小，减少对模型影响。
-
风轻云淡推荐
附录的微分，对数等知识相当不错，即便数学功底不深，也能看懂，作者很用心，适合入门的读者
-
安迪推荐
与其说是一本书，不如说是一本小册子。不太适合作为入门书籍，作为系统学习后的基础知识补充还不错。对于想要了解机器学习算法的基本数学原理有所帮助
-
cyl推荐
机器学习初学者，在看了吴恩达教授三分之一的课程后再看的这本书，这本书解答了我的很多问题，通俗易懂，非常非常推荐！
-
理想国🏂推荐
很好懂，没有废话，数学推导也完全可以看懂，不过需要一点高数基础和Python基础，就是内容介绍不多，主要只讲了回归和分类。
-
思无邪推荐
没有太复杂的数学公式，对于理解机器学习的概念和基本原理很有帮助，适合概念或原理不清或希望时，翻出来看看、理一理。
-
Cenarius推荐
之前断断续续的阅读，有些知识点的记忆有些忘记了，影响后面的阅读，到隔离第二天终于大致读完。看这类书都是对机器学习存有好奇心，但又不想爬坡过于陡峭，诸如“白话***”，“图解***”，都是面向这些读者的需求。从这个意义上来看，我觉得这本书达到了预期的目标，有些难点的地方嚼得比较碎，读者比较容易消化，不过要融汇贯通，可能还需要一些启发性的论述，如果能补上此类内容，或许能成为科普类的大师级作品。
-
卢鹏钎推荐
好书，看完西瓜书之后在看这本速度飞快，本书讲解详细正好补充西瓜书部分内容讲解不清的问题。
-
天天hiahia推荐
通俗易懂，本书通过一问一答形式来讲解知识点非常适合初学者。绫乃充当初学者提出问题；美绪则会考虑到初学者的畏难情绪耐心做出回答。书中不光讲解理论知识，还有对应的编程实践，此书非常适合作为机器学习入门的学习资料。
-
莉莉诗安推荐
比起背公式，终于明白了公式里每一个系数、每一个平方的意义。能不能给数学乐色多出一点这种有意思的书！
-
小明推荐
通过对话的方式来解释机器学习中的基础知识，方式新颖。 循序渐进，用具体事例来解释概念，很适合入门，非常推荐。
-
fifi推荐
0.机器学习：回归、分类、聚类 1.导数就是微分后的函数。微分的目的是将函数线性化从而进行近似计算。基本思想是，基于在微小局部可以用直线去近似替代曲线，因此就可以把线性函数的数值计算结果作为本来函数的数值近似值。简单理解为斜率，微分=Δy/Δx，且Δx无限趋近0；dx是Δx无限趋近于0的极限 求导的目的：知道原函数随自变量的变化而变化的趋势。导数为零，说明存在极大极小值。 2.用最小二乘法求回归模型的参数=求当参数θ0，…，θi是什么值时，E（θ）最小 方法是得到θ0，…，θi各自的更新表达式，更新表达式是 任取一个θi得到对应E值后，然后借助学习率（开口方向+E对θi的微分决定），使得下一个θ0得到的E值更接近最小值。 3.正则化、标准化z score
-
李俊杰推荐
这本书讲的真是挺好，例子也很简单，值得多次阅读，让入门没有那么困难
-
朱超推荐
写的很有意思的一本科普书，只能说日本人扎扎实实做科普真的是一绝。和涌井良幸那本深度学习入门一个风格，这本的知识点在那本之前，仅仅是回归、分类的数学基础，还不涉及深度神经网络。