机器学习入门必读书籍——李航《统计学习方法》（文尾免费领取）

《统计学习方法》是计算机及其应用领域的一门重要的学科。《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。

这是作者的内容简介，看完本书（最后两章跟自己的关系不大，没有看）最大的感受就是书确实跟内容简介相吻合。本书最大的特色：
（1）理论浅显易懂。读的时候可以看出作者功力非常深厚，跟那些平凑的或者生涩翻译的完全不一样。有人评价说作者可能英文演讲或者写作用惯，有些地方中文不知道怎么写。我也有这样的感受，有些地方确实有些晦涩，但这种晦涩跟那种不懂而直译的晦涩是完全不一样的，不影响阅读。
（2）作者把复杂的推导单独拧出来，侧重在介绍每种算法的思想以及如何使用。
（3）每一章基本都有很容易懂的例子，告诉读者如何使用刚介绍的算法。
（4）每章最后的推荐阅读材料也很不错。

我虽然很喜欢模式识别和机器学习，但我暂时并不希望在这上面做深入的研究，只想把别人研究好的成熟的理论用在计算机视觉任务上。比如SVM，Adaboost，EM，朴素贝叶斯，K近邻，决策树等等。能够知道每种算法的原理，而并不想深究其实现过程以及理论证明。比如SVM，我想知道的是这种算法如何实现分类，有哪几种类型，每种适合什么样的分类任务，对应的参数的意义是什么。这样我在使用SVM-Light或者libsvm的时候就知道该怎么选用参数，怎么使用学习到的系数。从这个角度看这本书很适合我。当然也适合那些在想在机器学习方面做深入研究的人作为入门教材，我想对原理了解一二之后，阅读大部头或者原著肯定会轻松很多。

作者在书里面力荐了两本教材：Bishop的PRML和Hastie的The elments of statistical learning(这本书有第二版了，而且是免费的电子版)。这两本书应该是深入学习机器学习的必读之作了。

要说这本书有什么缺点的话，还真有。这本书覆盖面太窄，只介绍了几种算法，当然这可能跟书名有关系。建议作者再版时可以加一些常见的经典算法：比如LDA，PCA，SVD，神经网络，随机森林，聚类算法，特征选择方法，甚至CS和Sparse Representation等模式识别教材中常见的内容。如果再版而且内容有所扩充的话，一定第一时间购买。定价不要太贵哟，这本书的定价还是偏贵了一点点。

 

获取书籍

这么好的电子书当然要分享给大家，获取方法：

 关注微信公众号  “  无知红  ”，后台回复  “统计学习方法 ” ，即可获取下载地址

感觉本文内容不错，读后有收获？

我要小额赞助，鼓励作者写出更好的教程

还可以关注作者，获取更多教程