machine learning textbooks

厂农
来自: 厂农 (上海) 2012-12-26创建   2012-12-26更新

48人
677 人关注
来自:豆瓣读书
8.5 (56人评价)
作者: Jiawei Han / Micheline Kamber / Jian Pei
出版社: Morgan Kaufmann
出版年: 2011-7-6
评语:好吧。和楼下这本一起,是data mining教材。如果不想看公式的话,这是可选读物。
回复
来自:豆瓣读书
7.4 (26人评价)
作者: Ian H. Witten / Eibe Frank / Mark A. Hall
出版社: Morgan Kaufmann
出版年: 2011-1-20
评语:weka是data mining里最有名的工具包,这是使用手册。
回复
来自:豆瓣读书
8.5 (185人评价)
作者: Peter Harrington
出版社: Manning Publications
出版年: 2012-4-19
评语:还是讲如何跑ML算法,用python。可以认为是源代码+注释+实验结果贴图。
回复
来自:豆瓣读书
8.4 (773人评价)
作者: (美)Tom Mitchell
出版社: 机械工业出版社
出版年: 2008-3
评语:现在看来,这本书也许是过时了。但在那个年代,这是开天辟地的一本书。第一章就清楚定义了什么是ML:本质是在给定的搜索空间和计算资源下,近似一个函数。 <RET> 虽然今天大家都用统计的手段来研究ML,模型和优化算法都有了极大的发展,应用也更加五花八门,计算能力和当年更不是一个数量级。不过,看看这本书哪些观点过时了,哪些观点现在仍然是公认的,也是一件很好玩的事情。
回复
来自:豆瓣读书
9.5 (65人评价)
作者: David Barber
出版社: Cambridge University Press
出版年: 2011
评语:彻底的Bayesian。还木有读。
回复
来自:豆瓣读书
9.4 (565人评价)
作者: Trevor Hastie / Robert Tibshirani / Jerome Friedman
出版社: Springer
出版年: 2009-10-1
评语:作者都是正统统计出身大牛,说是element,其实一点也不。06年刚学ml时啃它,没懂,再啃一遍,还是没懂。3年后继续,才觉得博大精深。当然,中文翻译得拗口也有一定原因,所以还是看原版把,都可以从作者主页免费下的。 <RET> 这本书读起来更像是product review,在介绍的同时夹杂了大量算法模型优缺点对比,这当然是作者功力的显现,但不适合初学者。第二版较以前新加了大量关于sparse model的章节,很推荐。不过,对graphic model等似乎写得过于简略了。
回复
来自:豆瓣读书
9.0 (63人评价)
作者: Mehryar Mohri / Afshin Rostamizadeh / Ameet Talwalkar
出版社: The MIT Press
出版年: 2012-8-17
评语:和ESL一样,也是用的frequentist的观点,也是一点都不foundation。不同是,作者都是CS出身,所以写的味道更CS点。如果对bound有爱就读吧。
回复
来自:豆瓣读书
7.5 (89人评价)
作者: Drew Conway / John Myles White
出版社: O'Reilly Media
出版年: 2012-2-22
评语:手把手教如何用ML来解决诸如垃圾邮件过滤之类的应用,用R。
回复
来自:豆瓣读书
9.4 (147人评价)
作者: Yaser S. Abu-Mostafa / Malik Magdon-Ismail / Hsuan-Tien Lin
出版社: AMLBook
出版年: 2012-3-27
评语:对这本书没有太多评价,不过Yaser在caltech的课上得很精彩。对ml的很多概念有非常直白的解释。当年他在主页上公开鄙视Adrew Ng的ML公开课,也是有一定道理。http://work.caltech.edu/telecourse.html
回复
来自:豆瓣读书
9.5 (1189人评价)
作者: Christopher Bishop
出版社: Springer
出版年: 2007-10-1
评语:不同于楼上的ESL,这本几乎完全是bayesian的观点,graphic model章节自然是亮点。不过,最大的特点是覆盖面广,写得非常的通俗易懂。即使是用bayesian这种公式相对多,概念相对绕的表述,bishop仍然举重若轻,写得文笔流畅,洋洋洒洒。所以非常适合入门。
回复
来自:豆瓣读书
8.9 (269人评价)
作者: Kevin Murphy
出版社: The MIT Press
出版年: 2012-9-18
评语:观点介于楼上PRML的bayesian和楼上上ESL的frequentist之间,1000+页,cover面非常之广,从经典模型算法到当下的stochastic optimization, deep learning. 公式不多,语言简练,通俗易懂。非常适合初学者。 <RET> 缺点是,这似乎更像是一本百科全书。一个词条接一个词条,读起来破为无趣。
回复

什么是豆列  · · · · · ·

豆列是收集好东西的工具。

在网上看到喜欢的,无论它是否来自豆瓣,都可以收到你自己的豆列里,方便以后找到。

你还可以关注感兴趣的豆列,看看其他人收集的好东西。

这个豆列的标签  · · · · · ·

最新留言  · · · · · ·  ( 全部 )

厂农的其它豆列  · · · · · ·  ( 全部 )