机器学习实战

终于看完了,感觉离入门还有很大的距离:一是缺乏实践,二是数学忘得光光的,还得补上才行10-02

讲的比较清楚，虽然偏基础一些02-07

PCA, SVD, MapReduce06-06

历时1个月，终于读完。问自己，当初在学校的时间都在干嘛呢？全书分为4个部分，分别是分类（有监督学习，包括KNN/决策树/朴素贝叶斯/逻辑斯蒂回归/svm/改变样本权重的bagging和adaboosting）、回归（有监督学习，线性回归、局部加权、特征维度比样本个数多时缩减系数，如岭回归、lasso等，树回归，这块掌握不太好）、无监督学习（kmeans、apriori/fp-growth）以及其他工具（PCA/SVD/MAPREDUCE）。基本上都比较清楚了，过段时间再刷一遍代码吧06-29

处于原理和直接sdk之间的自己实现算法. 不去看数学原理的书, 看这个真的没什么用. 07-07

2,7不支持 有点尬12-22

认真的说，这本书写得不是特别好，但是比较适合入门了。由于原理没有说清楚，代码写得也一般（大量的缩写变量名，没有注释），所以我对很多算法都没有理解。接下来看周志华的《机器学习》01-09

介绍了机器学习领域十大算法的原理及应用，但没有深入其背后的数学分析，非常适合我这样的数学渣上路。我要弄懂回归、SVM和AdaBoost还存在明显的障碍。01-05

补标。老一代的书了。12-23

读到第三章，实在读不下去了，理论太强09-26

介绍机器学习的入门书，使用Python实现。示范的例子都挺有趣的，比如国会选举、twitter数据的分析。算法的覆盖面挺广，可惜原理的讲解有些浅，因此需要一些基础知识。书中没有神经网络算法的介绍，有些遗憾。07-03

我。终于把所有的代码都写了一遍！结果发现软肋是数学，又要开始恶补数学了！08-19

我觉得“决不重复造轮子”的工程师应该是不喜欢这种书的，因为这本书就是在教你造轮子。学术范儿的科学家应该也不喜欢这种书，因为理论部分真的弱。所以这本书才叫入门教材吧，给我的启发就是实例应用部分稍稍开阔了点见识。09-05

例子给出的代码很差，丝毫不考虑读者的感受。12-22

代码质量不行，感觉这作者 Python 水平太一般。当作入门读物还不错。04-09

喜欢这种理论不深入,但是有可运行的代码/实例能快速入门的书籍.10-09

在这本书的帮助下, 1 小时理解了决策树算法的核心思路, 赚了一个 HHKB -- 2016.6.25。再读这本书，代码写的太渣，数学推导也不清晰，作为老一代的 ML 书，该淘汰了。从 5 星改 2 星 2019.2.1806-25

这本书深刻地证明了，代码比数学公式难懂得多。我觉得机器学习类出实战类的书籍就是哗众取宠。07-17