机器学习实战的书评 (25)
你们应当让机器说人话,而不是说鬼话
特别适合新手,特别适合新手,特别适合新手。长度适中,举例形象,概念浅显通俗。难得有一个条理清楚 逻辑不迷糊 不堆砌代码打哈哈的书。基于这个理由bonus给五星,以后给别人推荐就这本了。 尤其是前面几章,介绍机器学习的基本概念。作者给我们指明了一个做ML的基本要求:“...
(展开)
分享一下书上的数据与源码(基于Python3)
原书的案例、数据和代码(我自己基于Python3写的)都放在这里啦: https://github.com/Y1ran/Machine-Learning-in-Action-Python3 ,大家可以参考一下,记得star哦 PS. 忍不住吐槽:原书本来的代码除了简单易懂,实在找不出其他优点了。。 PSS.目前还在读,这个月会慢慢写完的...
(展开)
看机器学习困了累了,就玩玩这本实验指导书吧
1. 这本书的价值是提供了一系列有趣的「实验作业」和「对应的数据」,以及乱七八糟的 Python 代码,迫使读者在同样数据集上自己写一个更好的。 2. 作者的 Python 代码写得真的真的很渣。 3. 作者的 SVM 写错了,不是 Platt 的原始 SMO 算法,里面的 error cache 形同虚设。 ...
(展开)
如果你有编程经验,而且是机器学习的入门者,这本书适合你
如果你是机器学习的入门者,如果你想快速看到算法的执行效果,那么这本书适合你。 作者把算法的基本原理讲的很清楚,而且代码是完整可执行的。当然,如果你想了解算法背后的数学原理,还需要花时间去复习一下概率论、高等数学和线性代数。 BTW:读者最好有编程经验,有抽象思维。
(展开)
初学者可以配合51cto上的唐宇迪的教程看
纯属好奇机器学习是怎么回事,虽然是coding渣,冲着现在三分热情在慕课上补了下python的基础知识。就跑来看实战。 下了kiddle版和pdf版本的看了第一章节,大学的矩阵相加,相减,相乘都忘光了, numpy的各个函数也不熟。看的很打击积极性。 遂又上51cto上 又搜机器学习的相关...
(展开)
机器学习的关键还是数学基础
机器学习是概率统计的高级应用,数学知识很重要,要先掌握的先修课程有,微积分,线性代数,概率统计,多元微积分,微分方程,离散数学,数值分析,最优化,数学建模,掌握机器学习和深度学习算法,还有熟悉一种编程语言,有了这些基础,才能得心应手,机器学习主要应用在数据...
(展开)
Machine Learning不大可能在一本書做到深入淺出
Machine Learning這門科學範圍很大,不大可能有一本書能在這個主題面面俱到。初學者需要先了解機器學習的範圍,再比較淺顯的去知道背後的理論基礎,之後再儘可能挖掘每一種算法的形成與直觀意義。在我閱讀過的機器學習書籍中,這本書與O'Reilly的Data Science From Scratch比較...
(展开)
个人觉得是机器学习里最接近实践的书了
尽管评论里对这本书褒贬不一,我觉得这些都是根据每个人不同的能力背景出发而给的评论。而对于我这样能力的人来说,这本书可以说是最适合了。我是什么能力状况呢,计算机专业背景,有那么几年开发经验,但是机器学习方面是小白。 看这本书需要一定的编程经验,但不需要很强,...
(展开)
光看这本书肯定 只会算法 不会原理
理论没讲太明白,直接上算法,甚至还有公式缺失,代码不敢恭维 就像大家说的一样 先看看线性代数、概率论、统计学再来看看这书吧 我这10多年 php、java、c#、js通吃,本想python应该不难,竟然代码部分有东西看不懂了,不得不拿起本python的书对着看...
(展开)
阿里达摩院:超大规模图神经网络系统将赋予机器常识
人工智能的脉络 机器学习是人工智能的一个分支。 人工智能的研究历史有着一条从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的自然、清晰的脉络。 机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题。 从学习方式来讲,机器学习包括...
(展开)
一本失败的机器学习入门书
客观说,完全不能当入门书。 缺少必要的证明过程,有些甚至连公式都没有。 我觉得既然要学习机器学习,光改改代码完全是不够的,起码还得知道各个算法的基本公式和过程,不幸的是,这本书没有。 就比如逻辑斯蒂回归那章,他连损失函数都没提,就开始说梯度法了。问题是梯度法的...
(展开)