南大周志華的《機器學習》這本書怎麼樣？

11-25

有沒有人讀了么？比PRML、ESL如何？適合什麼段位的人讀？

昨天開包裹感言：第一版第一次印刷，收到周志華老師寫的《機器學習》，就像十五歲收到《十一月的蕭邦》正版CD一樣開心。開讀。

全書結構大致如下：
【1~3章】介紹機器學習基本知識（緒論、模型評估與選擇、線性模型）
【4~10章】介紹一些經典而常用的機器學習方法（決策樹、神經網路、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）
【11~16章】介紹一些進階知識（特徵選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習、強化學習）

從目錄可以看出，書在內容上比較全面的介紹機器學習的各個分支，以及重要而常用的方法，也有一些我以前不知道的內容，比如第十六章強化學習。從昨天拿到書一直讀到今天，總體感覺讀起來非常流暢，周老師似乎在力求用輕鬆、簡要而又能幫你將思維一層一層捋清楚，從而搭建出關於這門學科的思維大樓的方式在寫整本書。既適合於入門讀者，也適合於已有這門學科背景但又想再一次如沐春風的進階讀者。（當然啦不排除我是周老師的粉絲，有主觀偏愛在裡面，捂臉~）

反正我看完第一章第一個自然段就放不下這本書了，如下

傍晚小街路面上沁出微雨後的濕潤，和煦的西風吹來，抬頭看看天邊的晚霞，嗯，明天又是一個好天氣。走到水果攤旁，挑了個根蒂蜷縮、翹起來聲音濁響的青綠西瓜，一邊滿心期待著皮薄肉厚瓤甜的爽落感，一邊愉快地想著，這學期狠下了功夫，基礎概念弄得清清楚楚，演算法作業也是信手拈來，這門課成績一定差不了！

來讓我們一起來咬一口這本被西瓜貫穿全書的讀物~

在文末更新了一下答案，一定要看：

書是昨天到的。
我去取的快遞，到手之後交給同事打開，因為同事是這本書的contributor之一，周圍沒有人比他來拆開更合適了~p.s.拆書的一刻還引起了周圍人的圍觀，搞個大新聞

然後翻看了目錄、部分章節、後記。初步看下來的印象，能感覺到周老師對於這本書從內容到編排的用心。簡單地說幾點：

從內容來講，這本書是非常適合用來做為機器學習課程教材的。根據目錄看下來，感覺1~9（or 10）章適合本科生課程，具備基本的微積分、線性代數、概率論的知識就可以（大概本科三年級）。後面適合更高年級閱讀。「應該有一本國內本科生適合看的中文機器學習書籍」，這也是周老師的本意。
更具體的，最重要的公式推導具體到每一步，十分詳盡。還有每一章節後面的參考文獻也十分詳盡。
從編排來看，書中將注釋留在了側面，給閱讀帶來了方便，同時側面的空白位置適合做筆記或者自己的推導，這是設計之初的想法。

不過最戳動我的是後記，周老師講了他寫書的初衷、成書的過程等，文字很具有吸引力，能感覺到周老師的文筆也是極佳，使得我對於這本書的內容的可讀性很有信心。建議大家書到手了也看一下後記，特別是周老師在20年前，初求學於這一方向的故事。

同事就是書中很多插圖的作者，周老師重點致謝的那位，他拿出書的那一刻，能感覺到他的開心。

昨天要去修電腦，書就扔在了公司，周一補上更多的圖。另，清華大學出版社也放出了樣章（tsinghua.edu.cn 的頁面），具體可見周老師的微博。

最後，成書歷時兩年，不過做為第一版，雖然經過了非常非常細緻的校對工作，難免也會有所疏漏，對於更正，希望大家閱讀的時候能有所記錄，後可提交於相關人員。

--------分割線-------
書看了一多半下來，個人覺得最精彩的地方，其實是每一章的「閱讀材料」一節（在參考文獻之前）。
往往短短的不到一頁的這一節，是對應章節所講述的領域的一個簡短的綜述（survey）。這對於一個有志於深入機器學習的人的最好的資料，在這個領域的歷史中每一篇關鍵的貢獻者及其研究著作都會在這裡給出，只要「按圖索驥」，就能了解這個領域。而只有清楚每一篇重要的文章及其貢獻，我們才會了解到每一個領域的研究與發展脈絡（我的另一個答案深度學習如何入門？ - 唐家聲的回答就是按照「遵循歷史的進程」這樣的方式寫出）；我們才能回答，「你所做的工作，到底是有無意義的」這樣的問題。

也只有周老師這樣十幾二十幾年的深厚的學術功底，能寫出這樣的簡短而有力的內容。這真的是新的機器學習學習者的幸福。

以上。

我在amazon買的這本書，剛剛看完。
我的評價是它是一本和Tom M. Mitchell那本Machine Learning具有一樣重大意義的書。很有可能，它會成為一本中國無數Machine Learning熱愛者的啟蒙教材。

之所以說它為啟蒙教材，是因為它非常合適沒有任何背景的初學者看。每一個概念，甚至每一個概念的來龍去脈都講的非常清楚。例如，我記得我在最開始學習learning theory時，為了弄清楚概念集和假設集的區別，查找了不少的資料，那些資料彷彿都默認大家知道這兩個集合的區別，我當時弄的雲里霧裡。而這本書在十二章里，非常明確的說了它們的區別，並且解釋了為什麼會有這種區別，彷彿知道初學者一定會在這裡迷路一樣：）這種感覺差不多類似於下課了肚子好餓正在找東西吃男朋友貼心的遞過來一塊巧克力。類似的說明貫穿了本書的始終，感覺周老師非常清楚初學者會遇到什麼問題，然後會在相應的章節里做出最清晰明了的解釋。我個人認為這一點這是全書最大價值所在：它用最簡練易懂的文字，描述清楚一個複雜問題。這也是為什麼很多人說易讀的一個重要原因，這應該也是周老師講課的一個特點

周老師自己也說過他最合適做一個老師。我雖然沒有聽過周老師的課，但聽過很多同事對他講的keynote讚不絕口，說他能用最簡單的語言把一個問題講清楚。說起來我聽過他的一次30分鐘左右的非正式keynote，不講任何背景，直接講問題和解決方法，令我嘆為觀止。我看到這本書的感覺，就像聽他在講課一樣。

同時，它也合適研究者看。因為書的每一章後面都提出了這個技術發展的脈絡，以及最精鍊的參考文獻。如果對這個領域有興趣，順著參考文獻看下去就可以了解最前沿最詳細的內容。當然其他書也有參考文獻，但往往挑選的不夠細緻和簡練，也缺乏相應的概述。我不是專門研究Machine Learning的，但也不算初學者。大家提到的PRML，EOSL我都看過，按道理說不應該再看入門教材，但我依舊決定花幾周的時間仔細把這本書弄清楚。

最後說一下這本書和PRML以及EOSL的區別。很多人覺得PRML比EOSL更難，其實是更厚…但不難。PRML像一本工具書，或者是字典，任何需要的知識幾乎都能在上面找到。內容寫的多，深度適中，所以我覺得作為參考書是極好的，但不合適做教材，更不合適做初學者入門教程。EOSL內容少一點，每一項內容不多，但精深，需要有良好的統計背景知識。它適合完整讀一遍，但不合適做字典，同樣也不合適做入門教程。周老師的這本書和那兩本比起來更合適做入門教程。它更像1997年出版的Mitchell寫的那本經典的Machine Learning，和那本書一樣，一定會對中國的機器學習初學者和研究者起著深遠意義。

寫到最後，感覺像一篇軟文，可憐我連一本簽名版都沒有拿到

春節期間，學習了周志華教授所著《機器學習》。這本教材洋洋洒洒，有四百多頁。但是，由於著者功底深厚，寫得舉重若輕，讀來不覺其厚，每章常常已曲終人散，而筆者仍然意猶未盡。對初學者來說，主要的學習演算法與理論都講得清清楚楚，不枝不蔓。對資深研究者來說，其每章的相關機器學習最新進展評述也都鞭辟入裡，獨具隻眼。統貫全書的西瓜論，更給嚴肅的學術研究增添了幾分生氣。這也體現了本書的一大特色，著者與讀者共享同一視角。書中既與讀者分享了嚴肅的研究成果，又簡要講述了與機器學習相關的重要故事與人物，實際上本書亦可看作一本有趣的機器學習名人小傳。最後，還需要指出，陸汝鈐老師的序與著者的後記亦甚有特色。與prml和ESL相比，可讀性更高，更適合作為中文教材，實為研讀機器學習之利器，特此推薦。

非常適合初中階學者，細節概念掰扯的特別清楚，有計算機基礎想從事機器學習類工作的同學們，可以從這本書出發。
PRML和EOSL，屬於比較進階的教程，如果想讀懂，能夠完成一定量的課後習題，花費的心思會非常多，我有好幾次被公式推導卡殼的經歷。

最最重要的是：周志華這本書是中文的！雖然做技術，不該覺得e文有什麼麻煩，但是，啃完一個大部頭純e文的，實在是燒腦和費時。

至今好像沒看到這兩個大部頭的中文版，誰知道有了，可以提醒我一下。我要買一套，燒了，送給過去的自己。

目前看到過的，算是最好的「中文」機器學習「教科書」了。

有沒有人讀了么？

趕在春節前到貨了一本，剛好放假可以看看。目前基本稍微比較仔細看了前九章。因為已經有點基礎，看得比較快，看著看著就發現不太對勁，感覺這本書如果讀的時候有人能指點一下，效果會更好，才恍然大悟這本其實是教科書。

書本身沒有很厚，看起來不至於壓力很大。畢竟是「教科書」，每一章只有短短的幾十頁，結合課程用來教學是不錯，但自學只看這本書估計有點不太夠，可以結合coursera上Andrew Ng和林軒田的課來使用，要是這本書早點出就好了，相見恨晚。以前看視頻的時候一直想找一本這樣脈絡比較好的機器學習教材，一直沒找到好的。

不一定都有機會上周志華的課，那順帶介紹一些自學材料吧。EM演算法「西瓜書」里只有兩頁，我覺得還是cs229的note講得比較清楚。神經網路可以參考stanford的UFLDL課程，做做裡面的課程實驗，加深理解，感受一下用matlab實現BP有多酸爽。類別不均衡問題，最近剛跟大牛學了EasyEnsemble這個trick，書里一句話帶過，不注意可能就略過去了，這個trick還是挺簡單好用的，值得了解一下。LDA可以看看"LDA數學八卦"。

比PRML、ESL如何？

PRML列印了一本，因為現在已經上班了，遠水解不了近渴，看了一些，然後暫時放邊上吃灰了。我這種「實踐派」，還不如看sklearn的文檔來得實在，畢竟要搬磚賺錢吃飯。真羨慕那些已經「深入學習PRML」的人吶！
把道理本身講清楚是一方面，把道理講得讓別人容易懂是另一方面。所以就需要「西瓜書」緒論那樣的引子和西瓜這種通俗易懂的例子。有人說李航的《統計學習方法》適合入門，我自己剛剛入門的時候倒覺得不好懂，不過後面開始摸著門道之後倒覺得不錯，把原理和式子列一列，然後再舉個例子，就差不多了。不需要太多「廢話」。
反正這些書都是好書，但適合不同的段位和需求的人。有時間的話，多看看，從不同角度加深理解也是極好。

適合什麼段位的人讀

前言已經說了，本科生前9或者前10章。研究生使用全書。大牛可以看看每章後面的"閱讀材料"那一小節，不是簡單地把材料列出來，其實是summary，高屋建瓴地總結了本章的內容和其中的聯繫，並給出後續深入的一些閱讀材料，看完腦洞大開。

已粗讀一遍，寫點關於此書的感想：

首先是內容豐富全面。周老師似乎希望給讀者構建一個機器學習學科整體的大廈(同意頂樓答主)，而不是只介紹幾個演算法。規則學習、強化學習、計算學習理論這種一般書不講的重要分支都以大章出現。前幾天谷歌圍棋用到的強化學習，正好在書里學了。一般書有講的，這裡內容有更豐富，象決策樹裡面的多變數決策樹，神經網路裡面的ART和級聯相關網路，貝葉斯裡面的半樸素貝葉斯，距離里的非度量距離等等，好多小節的內容以前沒見過。每章最後的文獻指南繼續了周老師那本Ensemble聖經的傳統，大讚。

最重要的是講解精彩。思路清晰，講得非常清楚，讀起來不累。每章都是6-7節，勻稱。很多內容把來龍去脈講得很清楚，比只講做法不講原因的書強太多。有些內容在多章出現，象EM演算法在三個章里不同粒度出現（有注釋關聯），漸進理解。每章結尾的小故事很長見識，注釋裡面有彩蛋，象bootstrap和德國文學的聯繫，還有講topic model的時候用朱自清文章做例子，用金庸和梁羽生的書為例等等，驚喜不斷。

和ESL、PRML比：內容上各有千秋，伯仲之間。&<機器學習&>更好讀。中文閱讀的便利不消多說。

和李航老師的書比：李航老師&<統計學習方法&>太精簡，如書名所指只講了幾個方法，很"干「。周老師&<機器學習&>如書名所指是關於整個機器學習學科，更系統全面，更清晰易懂。
------------------------------------------------------------------------------------
第二遍讀了一半後忍不住更新（這遍一句沒跳仔細讀的）：不怕噴，西瓜書比李航書好，高一檔不止。理由：西瓜書看似簡單，但仔細體會有新收穫。散布在書中的很多trick尤其贊，很提神。本人不是初級讀者（EOSL和PRML都學過），讀後領悟到很多原來隱約感覺到、但說不太清楚的東西。現在感覺，這本書當做入門書是買櫝還珠了，是很好的進階書，有一定基礎的讀者仔細品味更能欣賞到妙處。有的一句話帶來的恍然大悟感，極爽。
李航書實際是若干種監督學習演算法論文的翻譯整理，內容沒有超越原文。對哪個演算法感興趣，找原文來看甚至直接查維基百科和讀書沒大差別。一本速查手冊。
------------------------------------------------------------------------------------
最新更新：第二遍讀完了。
第二遍一句話都沒跳，收穫非常大。感覺周老師是把主要筆墨花給入門級讀者，寫得舉重若輕，很通俗易懂；給入門以上讀者的筆墨寫得非常簡練，一兩句話點出關鍵，要細讀，否則不注意就跳過去了。這算閱讀體會吧。
可能中國機器學習會因為西瓜書普及，加快發展好幾年。
------------------------------------------------------------------------------------

後記大讚，不劇透。

本人評價：最好的機器學習中文書，也是本人讀過的最好的計算機中文教科書。

這本書拿到手幾天，看了樣章以後就直接下手買了。買的時候帶有一定的為信仰充值的成分，也有梳理自己學習的目的。
優點:最重要的就是畢竟是中國大牛寫的中文書，比翻譯版的文字是要強太多。另外就是作為全新的書內容比較全面，比Duda的模式分類和湯姆米切爾的機器學習都有更多的內容。尤其是決策樹部分，寫的真心漂亮，我甚至認為比公認決策樹部分寫得好的米切爾的機器學習還要更出色。SVM和聚類也寫的非常精彩。還有就是深度學習雖然沒有太深入，但是至少還是有的，和前沿接軌比較好。
體系上，上來直接介紹評價方法，這是比較新的結構，對於新手來說這麼做可以讓他們在上手的時候先不用陷進貝葉斯公式和各種估計演算法里拔不出來，我帶師弟師妹的時候發現這是個新手通病，太多人掉進數學大坑以後就忘了自己學的是機器學習了...
內容上，周老師強大的數學功底讓這本書顯得非常嚴謹，演算法推導真的太棒了。
缺點:首先，畢竟第一版書，有些小錯誤在所難免，我就不說來知乎看見這個問題之前剛發現一個...
另外，受到篇幅限制，雖然最主流的基礎演算法都基本到位，但是遺傳演算法和模擬退火這些隨機策略沒有介紹，個人感覺至少應該有些基本介紹啊...
再有，這本書雖然後面有一些數學基礎，但是書中的數學顯然還是大大超出了附錄給出的，所以初學者看起來還是小吃力的。各種線性演算法收斂性的證明似乎也沒有，個人感覺就算不像模式分類那樣做了一整章收斂性證明也起碼應該給一個證明，其他的當習題留了唄...
非常感謝周老師的辛勤勞動，這是一本非常棒的書，已經準備下半年開學留給新一屆師弟師妹入門用了。

非常好的入門教材，內容全面，適合各種數學水平的初學者。

ESL門檻太高，沒統計基礎和矩陣分析基礎基本就不用看；不過內容更加深入模型的背後本質，適合作為phd的教材。

前幾天剛到貨，從封面設計到行文內容都顯得非常精緻。

從前言不難得出全書的整體框架，基本上涉及到了機器學習的大部分領域，應該屬於一本較為全面的參考書。

一個較大的亮點是每個章節後面都附了參考文獻，使得讀者能夠對於該方面的內容進行深入了解，這是優於大部分書籍的一個重要因素。

寫一個稍微詳細一點的「開箱測評」。1月31日到手，到今天2月2日，我斷斷續續地讀了第一章『緒論』，第二章『模型評估與選擇』，第四章『決策樹』，第八章『集成學習』，第十一章『特徵選擇與稀疏學習』，除了第十一章外以上提到的其他章節都算讀得比較仔細。下面寫一點「讀後感」，以給猶豫買不買的同學參考。

首先是開箱圖賞：

...( ° △ °|||) ... …(⊙_⊙;)… ，幸好這只是定版之前的樣書，正式出版的封面如下：

定版之後，書籍是正方形的，每一頁側邊有留白，添加一些額外的注釋，比如公式推導過程中，擔心你看不懂，側邊就會有一些解釋。這些留白也可以方便做筆記。封面走小清新路線，在同類書籍裡面也算是比較特別的，滿分。

書中每一章的末尾，都會有一節「閱讀材料」，緊接著是參考文獻。「閱讀材料」這部分我比較喜歡，對於每一章中提到的而沒有細講的內容，我可以從這裡獲取相應的拓展文獻。

與PRML，ESL對比如何？

我可以回答你一句無可奉告，你們又不高興，那怎麼辦？
那就強行回答一下吧，PRML，ESL，MLAPP這幾本是公認的經典，PRML和MLAPP擺在我書桌上已經有些歲月了吧，但現在還是跟新的一樣。對我來說，比較難讀，理論性強的英文書我讀著讀著就走神，除非那些知識點我已經掌握了。所以更傾向於先選擇中文書來學習新知識，懂個大概後，再讀英文的論文或者書籍。所以，我們還是跟同是中文書籍的李航老師的《統計學習方法》比一比吧。

周志華老師的《機器學習》VS 李航老師的《統計學習方法》

這兩本書各有特點，不分伯仲，我都喜歡，如果真要比較的話，我只能說《機器學習》這本書更厚一點，不是開玩笑，而是想說明《機器學習》這本書相對更系統和全面一點，而《統計學習方法》雖不面面俱到，但相對更加精簡。

《機器學習》第七章系統地介紹了樸素貝葉斯分類器、半樸素貝葉斯分類器、貝葉斯網路，EM演算法，而《統計學習方法》分為兩章介紹了樸素貝葉斯和EM演算法，相比之下，《機器學習》系統全面，《統計學習方法》精簡。（這樣比較其實也不太恰當，因為《機器學習》對EM演算法沒有深入講解，而《統計學習方法》是單獨出一章來詳細介紹EM演算法）。

再以『決策樹』這一章來做個簡單比較吧，兩本書都講了決策樹的分支策略（信息增益，增益比，基尼指數），剪枝（預剪枝，後剪枝），這部分兩本書講得都差不多，不同的是《機器學習》里，還以西瓜數據集講解了剪枝的過程，相對好理解一點。另外，《機器學習》也多了兩小節內容，包括（1）連續值和缺失值處理，講了C4.5中採用二分法處理連續值特徵，也講了當特徵出現缺失值時怎麼處理，同樣舉了西瓜數據集的例子。（2）多變數決策樹，這部分是讓我漲見識的！相比於ID3、C4.5、CART這種單變數決策樹（分支時只用一個屬性），多變數決策樹在分支時用的是多個屬性的加權組合，來個直觀的圖（以下），這個是單變數決策樹學習出來的劃分邊界，這些邊界都是與坐標軸平行的，多變數決策樹的劃分邊界是傾斜於坐標軸的。更多的內容，有興趣地還是看書吧，當然這部分書中也只是最後提了一下，沒有深入。

第八章『集成學習』

近年各種數據挖掘比賽的獲勝方案都離不開ensemble，周老師團隊對這領域的研究在國際上首屈一指，我對這一章也比較感興趣，所以先讀了這一章。文章一開頭就糾正了我一個錯誤，ensemble的發音[ɑ:n?sɑ:mbl]，而不是[?n?sɑ:mbl]，我一直讀後者，不知道有多少人也是這樣讀......

這一章接著介紹了Boosting演算法中的AdaBoost，以及Bagging演算法和基於Bagging改進的Random Forest演算法，這兩個都是自融合演算法，內容跟其他書籍或者博客介紹的都差不多。除了講AdaBoost和RF，還有一節內容講了結合策略，像簡單平均，加權平均，堆學習（stacking，stack learning），這些方法思想都挺簡單的，但是效果好，玩過比賽的同學應該都深有體會吧～～

最後一小節，講了多樣性（基分類器之間的多樣性）。之前「感性」地知道，在做模型融合的時候，基分類器的準確性要高，同時基分類器之間的差異性要大。而這一節介紹的「誤差—分歧分解」從理論上證明了這一點。最後得出一個漂亮的式子：
$E = ar{E} -ar{A}$
E表示集成的泛化誤差， $ar{E}$ 表示基分類器泛化誤差的加權平均， $ar{A}$ 表示基分類器的加權分歧（反應了多樣性）。很明顯，要讓E越小，......

書中的錯誤

我學識尚淺，發現了書中一個不太恰當的地方，拿出來跟大家討論討論。第二章P28，2.2.4 調參與最終模型，書中原話：

很多強大的學習演算法有大量的參數需設定，這將導致極大的調參工程量......

這段沒有問題，但是在側邊有注釋：

例如大型「深度學習」模型甚至有上百億個參數。

這個注釋不太恰當，深度神經網路裡面，神經元之間的連接（權重，參數）是自動學習的，需要人工設定的參數（例如學習速率，Dropout比例等）並沒有這麼多，這其實是混淆了超參數與參數（權重）。

菜頭亨在評論中給出了這本書的勘誤，包括我這裡提到的超參數和參數。有疑問的讀者可以參考周老師這本書的主頁：Zhi-Hua Zhou"s Publications

我在24號就下單了，27號在單位收到書！
初步翻看了下，以下幾點：

彩色印刷，紙張之類的很NICE
涉及到的知識比較全面，監督和無監督的學習都有
講解了VC維還有深度學習，這個其他書籍一般比較少有
公式推理比較多，適合大理論基礎
後面的文獻是亮點

此書讓我對西瓜有了新的認識

2016.4.5更新

粗讀了一下不舔DL的周老師和陸老師都是好樣滴！

=================================================================
沒有看內容但這個正方形開本+清新文藝的封面怎麼看怎麼都像是個不錯的繪本啊啊啊啊

ESL：我不難哦雖然有些公式（你）雖然我是數學系的寫的（妹) 雖然你們最好自己有點統計學基礎矩陣論基礎(的）但我真的不難哦（去你妹的!) 唉怎麼走了走了別後悔哼反正不是寫給你看的

PRML：同學們不用怕我真的很簡單而且沒什麼理論啦（那些公式？）我是最實用的技術啦（那些公式？）真的不需要什麼數學基礎啦（那些公式？）你要是數學真的一點基礎都沒就學一下我的附錄就幾頁而已（真的就幾頁？) 真的對了習題要全做完哦（做你妹！）唉唉同學別走啊

周老師：計算機系的小朋友們快來看看這本機器學習（靠又是一堆公式？不過好歹是中文。）小朋友你說的什麼公式？看到這封面了么（這是繪本么?) 是啊是啊這裡面有很多好看的圖畫和故事哦我看你童真未泯一定喜歡這書的要不要來一本試試

第一本正方形的機器學習書籍。
目前看了一半，有以下體會：
1.章節很全面；
2.公式很少，跳躍性較強，對機器學習沒太有基礎的可能不太好懂，比如decision tree可以結合introduction to data mining看，svm和nn可以結合prml看；
3.推薦論文里有近些年的進展，值得一看。

這是一本面向中文讀者的機器學習教科書, 為了使儘可能多的讀者通過本書對機器學習有所了解, 作者試圖儘可能少地使用數學知識.
然而, 少量的概率、統計、代數、優化、邏輯知識似乎不可避免. 因此, 本書更適合大學三年級以上的理工科本科生和研究生,
以及具有類似背景的對機器學習感興趣的人士. 為方便讀者, 本書附錄給出了一些相關數學基礎知識簡介.

全書共16章, 大體上可分為3個部分：第1部分包括第1~3章, 介紹機器學習基礎知識; 第2部分包括第4~10章, 介紹一些經典而常用的機器學習方法; 第3部分包括第11~16章, 介紹一些進階知識. 前3章之外的後續各章均相對獨立, 讀者可根據自己的興趣和時間情況選擇使用. 根據課時情況, 一個學期的本科生課程可考慮講授前9章或前10章; 研究生課程則不妨使用全書.

書中除第1章外, 每章都給出了十道習題. 有的習題是幫助讀者鞏固本章學習, 有的是為了引導讀者擴展相關知識. 一學期的一般課程
可使用這些習題, 再輔以兩到三個針對具體數據集的大作業. 帶星號的習題則有相當難度, 有些並無現成答案, 謹供富有進取心的讀者
啟發思考.

請移步，

買書鏈接 ------------》》機器學習 Machine Learning 周志華
買書鏈接 ------------》》機器學習 Machine Learning 周志華
買書鏈接 ------------》》機器學習 Machine Learning 周志華

告訴大家如何鑒別它是不是一本好書，好書，好書！！！。。
看圖，你懂得！

大概一天讀完前10章的樣子。。。
寫得挺好，適合最最初級的讀者，比如大二之後學完概率論，線性代數，想去了解機器學習的筒子們。

但比較淺，比如邏輯回歸，講得不清不楚的。svm也比prml講的淺太多。如果想了解這些模型的來龍去脈，還是要去看prml。

聽說的第一時間就買了，佔位，等我來答

完了，我本來準備過幾年退休寫類似的一本的，現在看來不需要了...

這本書比較適合入門，與prml和esl相比沒有那種理論體系感，也不如後兩者深。特別是prml，圍繞一個思想體系推進和展開的感覺，這本書是沒有的。
這本書的優點，一是中文書中水平極高的作者用心寫的，符合這點的書不多，二是比較全，也比較易懂，三是參考文獻詳盡準確合理，有利於讀者自己繼續深究。