挺好的，任何人看了都能学到不少东西

挺不错的，推荐做ML的同学都拿来看看，一定能学到不少东西，尤其是接触没多久的

不足之处是例子还是稍显不足，我个人更想要Kaggle真题解析

一些我比较喜欢的地方如下

1. 2-3章适合所有刚接触数据科学的同学

第2章 California housing（加州区域房价）的例子非常实际，能学到很多best practice, 怎么写代码、分析数据等等

第3章 以讲解MNIST为例，对基本概念的介绍非常好 (confusion maxtrix, ROC等等)

第5章 svm soft margin vs. hard margin

2. 神经网络的基本概念介绍得不错

- CNN: 做视觉分类 （架构设计类似于缩减、逐层抽象，如图）

- RNN （i.e. LSTM）: 做时间相关的预测 （架构设计在于时间变化，如图） ，以及一般涉及到顺序的事情（NLP，翻译）.

和传统NN的差别在于，输入不止来源于上一层，也来自于上一个时间状态的hidden layer（下图）

- autoencoder: 根据输入自动生成相似的内容。重点在于输入与输出是同维的，而中间的维度是低维的，强制性让神经网络学会具有代表性的特征，而不是直接的复制输入到输出

- reinforcement learning: 打游戏

看了写的代码也觉得这东西没以前那么高深了....

3. 代码值得过一遍

https://github.com/ageron/handson-ml

有时候看书感觉很复杂，看代码反而很简洁

而且不断在更新，书中一些错误也在代码中做了补充

4. 一些完整的例子（代码）很有学习价值

- California Housing, 第2章

- Titanic (Kaggle), 第3章

- Spam Filter, 第3章

- MINST, 第2/13章，包括了用深度学习来做的例子

- Pacman, 第16章

本书的不足

1. 实战例子略少

入门级的推荐 https://www.tensorflow.org/tutorials/ (主要是开头的的几个案例)

可以极快（1天之内），搞明白tensorflow是咋回事

难度稍大的，推荐Kaggle历年真题解析: http://ndres.me/kaggle-past-solutions/

在熟悉了基本的ML后，可以挑自己感兴趣的问题，看别人是怎么分析数据、解题的，非常有帮助

2. 一些新的神经网络架构

GAN, Capsnet, Transformer...

感想：目前对NN和ML的业界应用还不算了解，但是感觉对于数据的处理是非常general的，似乎达到一个一般的水平就算不错？（就定量预测/回归而言）