PRML為何是機器學習的經典書籍中的經典？

11-25

都說PRML是機器學習的經典中的經典，是每個機器學習相關方向必須啃得書籍，那麼PRML到底經典在哪裡呢？與其他的書籍相比，有哪些過人之處？

PRML究竟有何過人之處，不能光看它本身的內容，最重要的是看其在Machine Learning, Data Mining這一類書籍中的地位。
通常從一個CS小白開始學Machine Learning或者Data Mining，到成長為一個獨當一面的大牛，都會看幾種類型的書：

以《數學之美》為代表的科普類讀物。通常作用為開發興趣的。
《機器學習實戰》、《推薦系統實踐》、《海量數據挖掘》等實踐類書籍。在學中用，在用中學，實踐中摸清套路。順便了解一些基本模型。
《統計學習方法》、《數據挖掘導論》、《數據挖掘（韓家煒）》等介紹類書籍。會對ML方面涉及到的技術做一個淺層次的介紹和全方位的了解，有少量數學內容和推導。
《PRML》、《ESL》、《MLAPP》這類進階類書籍。包涵大量理論知識和數學推導（尤其是習題），有助於了解Machine Learning方法背後的本質和思想。

Machine Learning學習的過程，就是一個 what -&> how -&> why 的過程。而PRML，或者說同類的ESL等書籍，最大的作用就是讓你知道為什麼會有這樣的方法，為什麼會有這樣的模型，它背後的intuition和motivation是什麼。而這恰恰是一個Machine Learning Researcher想要進一步使用模型、看懂別人paper中的模型、甚至自己提出新模型的基礎。看PRML會帶給你在Machine Learning上的理解和使用能力一個質的飛躍。

而在同一層次上，比如PRML和ESL相比，我個人認為，PRML涵蓋面更廣，語言更通俗，例子和習題更加詳細，附帶更多基礎性的講解和指引（比如第二章整章都在介紹概率分布），難度梯度設置更為合理，是其深受廣大中老年PHD朋友喜愛的原因。

可以說，PRML是一本兼顧廣度、深度、可讀性、可用性（做習題）的好書。

因為 mlapp 出得晚（逃

吾輩貝葉斯方法一以貫之，謂之PRML.

這本書就是各種貝葉斯，有些偏，個人認為不如MLAPP

我更傾向於一些工程行性強的書籍，或者一些頂會的論文。
介紹theano的deep learning tutorial，以及微軟研究院幾位大牛寫的deep learning ：method and applications。都不錯
一些牛人的blog也是很好的學習資料，一些參加kaggle比賽的牛人一般都會把方法寫成blog，看看這些blog和裡面refer的一些論文都很有幫助。
-------------------------------------------------------------------------
總結了一些自己用到的資料

深度學習資料匯總

——————————————————————

大力推薦一本未出版的書：Deep Learning （Ian Goodfellow and Aaron Courville and Yoshua Bengio）

以及DL summer school 2015的視頻：Deep Learning Summer School, Montreal 2015

ESL經典

個人覺得PRML ESL MLAPP等幾本書差別不大，讀一本就好，目的是了解機器學習的基本概念和方法。關鍵還是看文獻，實現演算法，比較模型，在實踐中學習和改進。

推薦另外一本書，machine learning-a probablistic perspective。這本書基本是是duda那本書的升級版，從傳統的bayes到混合高斯分布再到深度學習，內容涵蓋十分廣。

答主最近正在看這本書，等之後出個詳細的閱讀筆記供大家參考。

prml也沒那麼好，只不過其它的書都沒他好（逃

個人覺得是經典，貝葉斯和頻率都是解決問題的兩種方式，而且在數據量非常大的情況下兩者其實殊途同歸

不認為這本書是ml的經典，只能說是bayesian learning的經典。如果要說這書是經典，也是跟風搞beyesian的人太多導致的。之前還有一本以kernel為核心的，一本以資訊理論為核心的，都沒火起來，一大原因是這倆方向在ml領域跟風的人沒有那麼多。

我猜測現在某個dl太牛以dl為核心寫個ml書，過五年也會有人來知乎問為什麼那本書是ml經典書籍中的經典

這本書肯定不是機器學習的經典，因為大多數搞機器學習的人並不是 Bayesian。

因為每讀一遍都有新體會。

最核心的思想是貝葉斯方法，最基本的模型是線性模型，最基本的假設是獨立性。

貝葉斯公式本身很簡潔，但是以先驗概率、後驗概率理解，以及對參數即隱變數理解使得這個公式無比powerful。多讀幾遍以後你就會漸漸忘記模型，而只記住其對應的graphic model，推導變得很自然。

理解了這些模型的假設以後再來看PRML，真的比我讀到的其他的一些書寫得好很多：門檻合理（從基本三論講起，不會出現半天看兩頁的情況），自包含（所有利用的記號、定理、結論都在書中正文或者附錄有詳細解釋，我並非數學系所以不太喜歡很多書籍里對於一些慣用記號【如示性函數】不加以解釋就開始推導），推導步驟詳略得當，idea解釋很到位，章節安排前後銜接自然。

這本書既可以當教材，也可以當工具書。

以前只看過西奧的模式識別，看得比較痛苦，有些地方並沒有深入講，而且需要一定的基礎才能明白，而且是中文版翻譯，有些地方讀起來吃力。這兩天在啃這本書，有種相見恨晚的感覺，適合入門的教材，由淺入深條理清晰，一些需要用到的數學知識也有詳細的說明

貝爺千秋萬代，一統江湖！

難度設置比較合理，前後聯繫非常清楚，尤其是從頭到尾對於bayesian思想的介紹，讓我這個之前不太了解bayesian的人也能比較好的理解。

但還是esl對我幫助大一些，裡面ensemble和decision tree模型的介紹比較好，這些方法實際應用很多，esl裡面這些章節有很多內容在介紹使用這些模型的注意事項。比如decision tree模型處理離散變數的方法，如何對任意loss function使用gbdt，還有blending、stacking等方法的介紹。

誰告訴你這是經典了
學數學的人沒幾個說它好的