“机器学习”科普书
这篇书评可能有关键情节透露
即使当前的图书市场上充斥着各种数学的科普书,《数学之美》都是一本质量非常高的作品。尽管文章都先刊于“谷歌黑板报”,但其绝没有类似博客的剥离感,相反,其文章之间的关联非常高,甚至有些一气呵成的感觉。
数学的范围非常的广泛,任谁都无法用一本薄薄的书将其讲完,而一本高质量的书籍必然要有一个要描述的主题,我想这本书要讲的就是“机器学习”(绝大部分)。之所以如此说,只需要看看本书所讲的都是哪些数学原理即可,随便即可举出不少例子:自然语言处理、马尔科夫模型、最大熵模型、SVD、贝叶斯、逻辑回归、条件场等等,这些无不在机器学习领域起着重大的作用。如果说这是一本讲“机器学习”的科普书并不准确,实际上,此书讲的就是数学,只是应用场景多是机器学习。
这本书的特点之一就是围绕着应用场景讲数学原理。绝大多数人学过数学,绝大多数的大学生都要修高等数学,但事实上,很少有人用到了所学的数学知识,如果研究方向或工作方向脱离了数学,也许这些知识将一辈子都用不上,并迅速遗忘。书倒是用是方恨少,当我们遇到或需要数学时,才发现当年学过的知识是做何用途。以我自己举例,在上学期间学过矩阵,学过奇异值分解,但自己无论如何也想不出这些“神奇”的东西会有什么用途,而读过此书的SVD算法时,才豁然开朗,知道了奇异值分解的“妙用”。
除此之外,这本书无疑会开拓读者的视野。试举一例,比如比较两个向量的相关性,我想大多数人会用欧几里得距离、曼哈顿距离等等,因为这些思路最为直观,但书中给出了如何使用余弦定理来判断向量之间的相关性,我想这确实能够让人有眼前一亮,另辟蹊径的感觉。再比如使用TF-IDF来作为搜索关键词的权重,也是原理简单,思路巧妙的方法。
书中还有许多和数学相关的人物介绍,这些人物都是某些领域(自然语言处理等等)的大师,尽管我们平时很少了解(不像高斯、欧拉这种教材中随处可见的数学家),但这些人对数学的贡献,做学术的严谨态度,以及其个人魅力,都是我们应该学习的。
此书是面向大众的科普类书籍,吴军博士将每篇文章都分为基本部分、扩展部分,让不同人群能够选择性阅读,这无疑也是一种非常好的写书方法。
如果只是单纯的对数学感兴趣,此书绝不会让你失望。如果想学习机器学习(自然语言处理),更应该读读这本书。
数学的范围非常的广泛,任谁都无法用一本薄薄的书将其讲完,而一本高质量的书籍必然要有一个要描述的主题,我想这本书要讲的就是“机器学习”(绝大部分)。之所以如此说,只需要看看本书所讲的都是哪些数学原理即可,随便即可举出不少例子:自然语言处理、马尔科夫模型、最大熵模型、SVD、贝叶斯、逻辑回归、条件场等等,这些无不在机器学习领域起着重大的作用。如果说这是一本讲“机器学习”的科普书并不准确,实际上,此书讲的就是数学,只是应用场景多是机器学习。
这本书的特点之一就是围绕着应用场景讲数学原理。绝大多数人学过数学,绝大多数的大学生都要修高等数学,但事实上,很少有人用到了所学的数学知识,如果研究方向或工作方向脱离了数学,也许这些知识将一辈子都用不上,并迅速遗忘。书倒是用是方恨少,当我们遇到或需要数学时,才发现当年学过的知识是做何用途。以我自己举例,在上学期间学过矩阵,学过奇异值分解,但自己无论如何也想不出这些“神奇”的东西会有什么用途,而读过此书的SVD算法时,才豁然开朗,知道了奇异值分解的“妙用”。
除此之外,这本书无疑会开拓读者的视野。试举一例,比如比较两个向量的相关性,我想大多数人会用欧几里得距离、曼哈顿距离等等,因为这些思路最为直观,但书中给出了如何使用余弦定理来判断向量之间的相关性,我想这确实能够让人有眼前一亮,另辟蹊径的感觉。再比如使用TF-IDF来作为搜索关键词的权重,也是原理简单,思路巧妙的方法。
书中还有许多和数学相关的人物介绍,这些人物都是某些领域(自然语言处理等等)的大师,尽管我们平时很少了解(不像高斯、欧拉这种教材中随处可见的数学家),但这些人对数学的贡献,做学术的严谨态度,以及其个人魅力,都是我们应该学习的。
此书是面向大众的科普类书籍,吴军博士将每篇文章都分为基本部分、扩展部分,让不同人群能够选择性阅读,这无疑也是一种非常好的写书方法。
如果只是单纯的对数学感兴趣,此书绝不会让你失望。如果想学习机器学习(自然语言处理),更应该读读这本书。