机器学习基石,选材确是基石
这篇书评可能有关键情节透露
暑假在家闲来无事又看了一遍林轩田老师的《机器学习基石》的课,趁着赶完文章之后忙里偷闲又重新读了一遍这本书,感觉第一遍真的是没有读懂。
这本书的写作思路和《Understanding Machine Learning》 以及《Foundation of Machine Learning》很相似,都是从generalization theory角度讲,只是这本书比较浅,只介绍到VC维,其他两本书都介绍了PAC理论。如果不是做研究的话,其实到VC维可能也就差不多了。对于train到test的泛化的理解,我觉得通过这本书应该可以有一个比较直观且精准的理解了。如果想了解更多,还是需要看前面提到的两本书。
同时,这本书里Chapter 3 The Linear Model一章,写的很清楚,把三类最重要的线性模型(线性分类、线性回归、对率回归)说的很清楚,并且横向对比,条例很清晰。
我还是很推荐初学者学习一下林老师的《机器学习基石》的课程以及看一下这本书,尤其是有志于在机器学习领域做一些研究的同学,确实选材都是机器学习“基石”的内容,非常地fundamental,经得起时间的检验。
另外,文末彩蛋:
在AMLbook网站上林轩田老师是有更新后面陆续的章节的(以e-Chapter)的形式给出
e-Chapter 6 Similarity-Based Methods
e-Chapter 7 Neural Networks
e-Chapter 8 Support Vector Machines
e-Chapter 9 Learning Aides
这本书的写作思路和《Understanding Machine Learning》 以及《Foundation of Machine Learning》很相似,都是从generalization theory角度讲,只是这本书比较浅,只介绍到VC维,其他两本书都介绍了PAC理论。如果不是做研究的话,其实到VC维可能也就差不多了。对于train到test的泛化的理解,我觉得通过这本书应该可以有一个比较直观且精准的理解了。如果想了解更多,还是需要看前面提到的两本书。
同时,这本书里Chapter 3 The Linear Model一章,写的很清楚,把三类最重要的线性模型(线性分类、线性回归、对率回归)说的很清楚,并且横向对比,条例很清晰。
我还是很推荐初学者学习一下林老师的《机器学习基石》的课程以及看一下这本书,尤其是有志于在机器学习领域做一些研究的同学,确实选材都是机器学习“基石”的内容,非常地fundamental,经得起时间的检验。
另外,文末彩蛋:
在AMLbook网站上林轩田老师是有更新后面陆续的章节的(以e-Chapter)的形式给出
e-Chapter 6 Similarity-Based Methods
e-Chapter 7 Neural Networks
e-Chapter 8 Support Vector Machines
e-Chapter 9 Learning Aides
© 本文版权归作者 换个ID试试 所有,任何形式转载请联系作者。