具体描述
本书是一本机器学习入门教程，包含了数学和统计学的核心技术，用于帮助理解一些常用的机器学习算法。书中展示的算法涵盖了机器学习的各个重要领域：分类、聚类和投影。本书对一小部分算法进行了详细描述和推导，而不是简单地将大量算法罗列出来。
本书通过大量的MATLAB/Octave脚本将算法和概念由抽象的等式转化为解决实际问题的工具，利用它们读者可以重新绘制书中的插图，并研究如何改变模型说明和参数取值。
本书特色
介绍机器学习技术及应用的主要算法和思想。
为读者进一步探索机器学习领域中的特定方向提供起点。
不需要太多的数学知识，穿插在文中的注解框提供相应的数学解释。
每章末均包含练习。
作者简介
Simon Rogers 英国格拉斯哥大学计算机科学学院讲师，主讲硕士生的机器学习课程。Rogers博士是机器学习领域的一位活跃研究者，研究兴趣包括代谢组学数据分析和概率机器学习技术在人机交互领域的应用。
Mark Girolami 英国伦敦大学学院（UCL）统计系主任和计算机科学系荣誉教授，并担任计算统计学和机器学习研究中心主任。他还是英国统计协会研究组成员，英国工程和科学研究委员会高级研究员，英国工程技术学会会员，爱丁堡皇家学会院士。
目录信息
译者序
前言
第1章 线性建模：最小二乘法1
1.1 线性建模1
1.1.1 定义模型2
1.1.2 模型假设2
1.1.3 定义什么是好的模型3
1.1.4 最小二乘解：一个有效的例子4
1.1.5 有效的例子7
1.1.6 奥运会数据的最小二乘拟合8
1.1.7 小结9
1.2 预测9
1.2.1 第二个奥运会数据集10
1.2.2 小结12
1.3 向量/矩阵符号12
1.3.1 例子17
1.3.2 数值的例子18
1.3.3 预测19
1.3.4 小结19
1.4 线性模型的非线性响应19
1.5 泛化与过拟合22
1.5.1 验证数据22
1.5.2 交叉验证23
1.5.3 K折交叉验证的计算缩放25
1.6 正则化最小二乘法25
1.7 练习27
其他阅读材料28
第2章 线性建模：最大似然方法29
2.1 误差作为噪声29
2.2 随机变量和概率30
2.2.1 随机变量30
2.2.2 概率和概率分布31
2.2.3 概率的加法32
2.2.4 条件概率32
2.2.5 联合概率33
2.2.6 边缘化34
2.2.7 贝叶斯规则介绍36
2.2.8 期望值37
2.3 常见的离散分布39
2.3.1 伯努利分布39
2.3.2 二项分布39
2.3.3 多项分布40
2.4 连续型随机变量——概率密度函数40
2.5 常见的连续概率密度函数42
2.5.1 均匀密度函数42
2.5.2 β密度函数43
2.5.3 高斯密度函数44
2.5.4 多元高斯44
2.5.5 小结46
2.6 产生式的考虑（续）46
2.7 似然估计47
2.7.1 数据集的似然值48
2.7.2 最大似然49
2.7.3 最大似然解的特点50
2.7.4 最大似然法适用于复杂模型52
2.8 偏差方差平衡问题53
2.9 噪声对参数估计的影响53
2.9.1 参数估计的不确定性54
2.9.2 与实验数据比较57
2.9.3 模型参数的变异性——奥运会数据58
2.10 预测值的变异性59
2.10.1 预测值的变异性——一个例子59
2.10.2 估计值的期望值61
2.10.3 小结63
2.11 练习63
其他阅读材料64
第3章 机器学习的贝叶斯方法66
3.1 硬币游戏66
3.1.1 计算正面朝上的次数67
3.1.2 贝叶斯方法67
3.2 精确的后验70
3.3 三个场景71
3.3.1 没有先验知识71
3.3.2 公平的投币76
3.3.3 有偏的投币78
3.3.4 三个场景——总结80
3.3.5 增加更多的数据80
3.4 边缘似然估计80
3.5 超参数82
3.6 图模型83
3.7 奥运会100米数据的贝叶斯处理实例84
3.7.1 模型84
3.7.2 似然估计85
3.7.3 先验概率85
3.7.4 后验概率85
3.7.5 1阶多项式87
3.7.6 预测89
3.8 边缘似然估计用于多项式模型阶的选择90
3.9 小结91
3.10 练习91
其他阅读材料92
第4章 贝叶斯推理94
4.1 非共轭模型94
4.2 二值响应94
4.3 点估计：最大后验估计方案96
4.4 拉普拉斯近似100
4.4.1 拉普拉斯近似实例：近似γ密度101
4.4.2 二值响应模型的拉普拉斯近似102
4.5 抽样技术103
4.5.1 玩飞镖游戏104
4.5.2 Metropolis-Hastings算法105
4.5.3 抽样的艺术110
4.6 小结111
4.7 练习111
其他阅读材料111
第5章 分类113
5.1 一般问题113
5.2 概率分类器113
5.2.1 贝叶斯分类器114
5.2.2 逻辑回归121
5.3 非概率分类器123
5.3.1 K近邻算法123
5.3.2 支持向量机和其他核方法…125
5.3.3 小结132
5.4 评价分类器的性能133
5.4.1 准确率——0/1损失133
5.4.2 敏感性和特异性133
5.4.3 ROC曲线下的区域134
5.4.4 混淆矩阵135
5.5 判别式和产生式分类器136
5.6 小结136
5.7 练习136
其他阅读材料137
第6章 聚类分析138
6.1 一般问题138
6.2 K均值聚类139
6.2.1 聚类数目的选择141
6.2.2 K均值的不足之处141
6.2.3 核化K均值141
6.2.4 小结144
6.3 混合模型144
6.3.1 生成过程144
6.3.2 混合模型似然函数146
6.3.3 EM算法146
6.3.4 例子151
6.3.5 EM寻找局部最优153
6.3.6 组分数目的选择153
6.3.7 混合组分的其他形式154
6.3.8 用EM估计MAP156
6.3.9 贝叶斯混合模型157
6.4 小结157
6.5 练习157
其他阅读材料158
第7章 主成分分析与隐变量模型159
7.1 一般问题159
7.2 主成分分析161
7.2.1 选择D164
7.2.2 PCA的局限性165
7.3 隐变量模型165
7.3.1 隐变量模型中的混合模型165
7.3.2 小结166
7.4 变分贝叶斯166
7.4.1 选择Q（θ）167
7.4.2 优化边界168
7.5 PCA的概率模型168
7.5.1 Qτ（τ）169
7.5.2 Qxn（xn）170
7.5.3 Qwn（wm）171
7.5.4 期望值要求171
7.5.5 算法172
7.5.6 例子173
7.6 缺失值174
7.6.1 缺失值作为隐变量176
7.6.2 预测缺失值176
7.7 非实值数据177
7.7.1 概率PPCA177
7.7.2 议会数据可视化180
7.8 小结184
7.9 练习184
其他阅读材料184
词汇表185
索引188
· · · · · · (收起)
读后感
中文版P89 p(t_new|x_new,X,t,sigma^2)=N(x^T_new u_w,sigma^2+x^T_new sum_w x_new) 不知是如何推出来的，实在搞不懂啊，有知道的，分享一下，谢谢！
记号不标准，解释不到位，浪费时间，于我而言lan书一本，还是ISLR加斯坦福的Mooc收获大。 d
我读的英文版，把本科高数、线性代数和概率论学扎实后，书中的公式基本都能看懂、能推导出来（公式的推导过程非常的详细---相比于周志华的《机器学习》和李航的《统计学习方法》，因为周和李的这两本书公式背后的数学意义，以及公式从上下步推导到下一步，我基本看不懂……但看...
翻译的很差，很多语句念不通不知道所以然，感觉很多数学符号大小写都有错误，数学寄去要求很高 不信自己买本看看多少数学公式你能理解...........................................................
翻译的很差，很多语句念不通不知道所以然，感觉很多数学符号大小写都有错误，数学寄去要求很高 不信自己买本看看多少数学公式你能理解...........................................................
用户评价
我是一名希望转行到数据科学领域的职场人士，时间宝贵，所以我在选择学习资料时，总是倾向于那些能够高效且系统地传授知识的书籍。《机器学习基础教程》恰好满足了我的需求。这本书的结构非常严谨，从数据预处理、特征工程到各种模型的介绍，再到模型评估和优化，整个流程非常完整。作者并没有回避一些技术细节，但又不会让初学者感到 overwhelming。我喜欢书中那种“点到为止”的深度，既能让你理解背后的原理，又不会让你陷在无尽的细节里。尤其让我印象深刻的是，书中对不同算法的优缺点和适用场景进行了深入的比较分析，这对于我这种需要快速掌握不同工具并根据实际情况选择合适方法的人来说，非常有价值。它能帮助我建立起一个清晰的知识框架，而不是碎片化的知识点。阅读这本书的过程，感觉就像在构建一个坚固的知识大厦，每一块砖石都垒得稳稳当当。
这本《机器学习基础教程》真的让我眼前一亮！之前尝试过一些其他资料，总感觉要么过于理论化，要么代码难以理解。但这本书不同，它的叙述风格非常亲切，就像一位经验丰富的老师在耐心指导你一样。我特别欣赏作者对于概念的解释，总是能找到最精炼的语言来点明核心，并且会反复强调一些关键性的概念，确保读者不会遗漏。在涉及到一些数学公式的时候，作者也很有技巧地解释了它们的由来和意义，而不是简单地堆砌公式。比如，在讲到梯度下降时，书中通过一个下山找最低点的形象比喻，让我一下子就明白了迭代优化的过程。另外，让我感到惊喜的是，书中还提供了一些关于实际应用场景的讨论，虽然没有深入到每一个具体的项目细节，但它能让我了解到这些理论知识是如何在现实世界中发挥作用的，这大大激发了我进一步探索的兴趣。总的来说，这本书在理论深度和易读性之间找到了一个绝佳的平衡点，非常适合我这种希望打下坚实基础的学习者。
这本书的实用性是我最看重的一点。我是一名在校大学生，希望通过学习机器学习来提升自己的项目实践能力。当我拿到《机器学习基础教程》后，我发现书中提供的许多案例都非常贴近实际问题。例如，在介绍分类算法时，书中不仅详细讲解了决策树、支持向量机等经典算法，还给出了如何用这些算法来解决图像识别、文本分类等问题的思路。最重要的是，书中附带的代码实现部分，虽然我才刚刚开始接触，但可以看出作者在代码的清晰度和可读性上花了很多心思，并且提供了详细的注释，让我能够一步步地理解每一行代码的作用。这对我来说意义重大，因为我一直觉得理论学得再好，如果不能转化为实际的代码操作，那也只是纸上谈兵。这本书让我看到了将理论知识转化为实践技能的可能性，让我对接下来的学习充满了信心，并且迫不及待地想动手去实现一些小项目。
我一直对那些能够启发思考、引导探索的书籍情有独钟。《机器学习基础教程》在这方面做得非常出色。它不仅仅是一本技术手册，更像是一个思维的引导者。作者在介绍每个概念时，常常会引申出更深层次的问题，鼓励读者去思考“为什么”以及“还能做什么”。例如，在讲解无监督学习时，作者没有止步于算法的介绍，而是引导读者思考聚类算法在现实世界中的潜在应用，以及如何通过聚类发现隐藏的数据规律。书中还穿插了一些关于机器学习发展历程和未来趋势的探讨，这让我对这个领域有了更宏观的认识。我尤其喜欢书中在给出某个算法的解释后，会留白一些思考题或者开放性的问题，这极大地激发了我的学习主动性，让我不再是被动地接受信息，而是主动地去探索和解决问题。这本书让我觉得，学习机器学习不仅仅是学习一门技术，更是在培养一种解决问题的能力和一种科学的思维方式。
这本书的封面设计非常吸引人，简约而不失专业感，让人在书架上第一眼就能注意到。我一直对机器学习领域很感兴趣，但苦于没有合适的入门书籍。收到这本《机器学习基础教程》后，我迫不及待地翻开，首先被其清晰的章节结构所吸引。作者似乎非常注重逻辑性和循序渐进的教学方法，从最基础的概念入手，逐步深入到更复杂的算法。我特别喜欢书中在介绍每个算法时，不仅给出了理论上的解释，还穿插了通俗易懂的类比和生活中的例子，这让我这个初学者能够快速理解抽象的数学模型。例如，在解释逻辑回归时，作者用一个判断邮件是否为垃圾邮件的例子，生动形象地展示了其原理。而且，书中提到的代码示例也十分实用，虽然我还没有完全动手实践，但看到作者提供的Python代码，我充满了学习的动力。这本书的排版也很舒适，字体大小适中，行间距合理，长时间阅读也不会感到疲惫。整体来说，这本书给我留下了非常好的第一印象，让我对机器学习的学习之旅充满了期待。
读到第四章，实在是顶不住了。还是老老实实看瓜书吧😂
数学太差劲了么，公式推导真是没怎么看懂
读到第四章，实在是顶不住了。还是老老实实看瓜书吧😂
机器学习基础知识索引，但是翻译的太烂
这难度，读着想哭，等sta4002，4003都写完了再来拜读也不迟，真是，工科书写sta就只会摆矩阵么(╥﹏╥)cluster神马的明明之前学过在这里就都看不懂了，还有被噎死什么的，还是说有mcmc么怎么没看见...真•太痛苦
