图书标签: 机器学习  MachineLearning  人工智能  计算机  统计学习  数据挖掘  ML  数学   

喜欢 Foundations of Machine Learning 的读者还喜欢

• 
  Information Theory, Inference and Learning Algorithms pdf epub mobi txt 电子书 下载
• 
  Bayesian Reasoning and Machine Learning pdf epub mobi txt 电子书 下载
• 
  Probabilistic Graphical Models pdf epub mobi txt 电子书 下载
• 
  The Elements of Statistical Learning pdf epub mobi txt 电子书 下载
• 
  Numerical Optimization pdf epub mobi txt 电子书 下载
• 
  Pattern Recognition and Machine Learning pdf epub mobi txt 电子书 下载
• 
  Learning with Kernels pdf epub mobi txt 电子书 下载
• 
  Understanding Machine Learning pdf epub mobi txt 电子书 下载
• 
  Algebraic Geometry and Statistical Learning Theory pdf epub mobi txt 电子书 下载
• 
  统计学习理论的本质 pdf epub mobi txt 电子书 下载

Foundations这本书真是给力，手把手教你推bound。如果以后想要懂一些learning theory，这本书是非常好的入门书。当然，只看一遍是肯定不够的，还要多读多感受。唯一缺点是typo太多，影响整体的阅读体验，希望尽快出第二版。

虽然PRML已经涵盖了足够的algorithm，虽然看完此书你一样很难设计effective model，但还是强烈建议MLer在空闲之余翻翻此书。不在于里面廉价的theory和technique，而在于它较严格体现的Occam剃刀原则是贯穿ML的核心idea。

入门还行，prerequsite比较少，附录里都包含了；跟Valiant一脉相承，个人觉得可以加个副标题叫“手把手教你推bound”；不适合只对应用感兴趣的读者，算法细节讨论较少，全是分析误差界；笔误略多，看之前一定把作者主页上的勘误表（不全）过一下。

有几个不错的内容

入门还行，prerequsite比较少，附录里都包含了；跟Valiant一脉相承，个人觉得可以加个副标题叫“手把手教你推bound”；不适合只对应用感兴趣的读者，算法细节讨论较少，全是分析误差界；笔误略多，看之前一定把作者主页上的勘误表（不全）过一下。

作为一名非科班的学渣级别的初级机器学习从业者，对于learning theory，我内心其实是拒绝的，大段大段（对于我而言似是而非）的公式推导，各种不等式缩放，对数学功底的要求还是颇高的。但是迫于发paper的需要，还是时常不得不证明一些bound，从而达到升华自己文章逼格，取悦re...

作为一名非科班的学渣级别的初级机器学习从业者，对于learning theory，我内心其实是拒绝的，大段大段（对于我而言似是而非）的公式推导，各种不等式缩放，对数学功底的要求还是颇高的。但是迫于发paper的需要，还是时常不得不证明一些bound，从而达到升华自己文章逼格，取悦re...

作为一名非科班的学渣级别的初级机器学习从业者，对于learning theory，我内心其实是拒绝的，大段大段（对于我而言似是而非）的公式推导，各种不等式缩放，对数学功底的要求还是颇高的。但是迫于发paper的需要，还是时常不得不证明一些bound，从而达到升华自己文章逼格，取悦re...

作为一名非科班的学渣级别的初级机器学习从业者，对于learning theory，我内心其实是拒绝的，大段大段（对于我而言似是而非）的公式推导，各种不等式缩放，对数学功底的要求还是颇高的。但是迫于发paper的需要，还是时常不得不证明一些bound，从而达到升华自己文章逼格，取悦re...

作为一名非科班的学渣级别的初级机器学习从业者，对于learning theory，我内心其实是拒绝的，大段大段（对于我而言似是而非）的公式推导，各种不等式缩放，对数学功底的要求还是颇高的。但是迫于发paper的需要，还是时常不得不证明一些bound，从而达到升华自己文章逼格，取悦re...