d*****u
发帖数: 17243 | 1 我想学一点这方面的基础理论
以前看过一些应用的例子，好像主要就是概率统计的东西？ |
d******e
发帖数: 7844 | 2 统计+优化
【在 d*****u 的大作中提到】
: 我想学一点这方面的基础理论
: 以前看过一些应用的例子，好像主要就是概率统计的东西？
|
d*****u
发帖数: 17243 | 3 哦
优化是不是要用很多线性代数？
【在 d******e 的大作中提到】
: 统计+优化
|
K****n
发帖数: 5970 | 4 本来machine learning也可以介于AI和统计之间
但是决绝绝大部分现有内容木有线代基本不行
【在 d*****u 的大作中提到】
: 哦
: 优化是不是要用很多线性代数？
|
d*****t
发帖数: 7903 | 5 主要是概率统计吧，线代是统计的基础，很难想象没学好线代能能学好统计。我当时上
课两门课是混在一起学的。有一本经典书就叫 The elemtns of statistical learning. |
m****1
发帖数: 2 | 6 线性代数很重要，
如果专门学一下矩阵理论就更好。 |
v****s
发帖数: 1112 | 7 CAS的同仁？
现在ML的潮流基本是statistical，当然最近比较流行的一个领域是geometry
learning.
【在 d*****t 的大作中提到】
: 主要是概率统计吧，线代是统计的基础，很难想象没学好线代能能学好统计。我当时上
: 课两门课是混在一起学的。有一本经典书就叫 The elemtns of statistical learning.
|
N**D
发帖数: 10322 | 8 that book is the worst book ever about machine learning.
many typos in the first pages
learning.
【在 d*****t 的大作中提到】
: 主要是概率统计吧，线代是统计的基础，很难想象没学好线代能能学好统计。我当时上
: 课两门课是混在一起学的。有一本经典书就叫 The elemtns of statistical learning.
|
s******e
发帖数: 285 | 9 try the 2nd version.
btw: how many ML books have you read?
【在 N**D 的大作中提到】
: that book is the worst book ever about machine learning.
: many typos in the first pages
:
: learning.
|
N**D
发帖数: 10322 | 10 hehe
【在 s******e 的大作中提到】
: try the 2nd version.
: btw: how many ML books have you read?
|
|
|
d******e
发帖数: 7844 | 11 我觉得做研究的话，看看Andrew NG的笔迹就足够了。
弄两本书作参考,比如Bishop的Machine learning
【在 s******e 的大作中提到】
: try the 2nd version.
: btw: how many ML books have you read?
|
s*********e
发帖数: 1051 | 12 why is it the worst?
【在 N**D 的大作中提到】
: that book is the worst book ever about machine learning.
: many typos in the first pages
:
: learning.
|
K****n
发帖数: 5970 | 13 I like it because it teaches "google's web page ranking algorithm". I now
feel I know the most advanced search engine algorithm already. hahaha
【在 s*********e 的大作中提到】
: why is it the worst?
|
N**D
发帖数: 10322 | 14 did it talk google's algorithm?
I am super impressed if it is more than pagerank 101
【在 K****n 的大作中提到】
: I like it because it teaches "google's web page ranking algorithm". I now
: feel I know the most advanced search engine algorithm already. hahaha
|
x******1
发帖数: 31 | 15 Bishop 的 Pattern Recognition and Machine Learning (2nd edition)是俺觉得最好的入门。
The Elements of Statistical Learning (2nd edition) 观点偏向统计。
这两本几乎是必看的，而且网上都有下载。
Bishop 的 这本把 graphical model 几乎重要的都cover了，搞得 Jordan 对于是否再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合写的。
剩下要看 reinforcement learning 的话，当然是 Rich Sutton 的书，有些老，可惜Rich 现在没心思出第二版。
要看 kernel method 的话， Shaw-Taylor & Cristianini 的比较容易看，特别有兴趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
如果对logic比较感兴趣的，Tom Michell 的书还行，俺看过又忘了，不做这领域，没发言权。
如果只是想很浅地了解的 |
N**D
发帖数: 10322 | 16 learning theory:
A probability theory of pattern recognition
learning kernel methods by Ralf Herbrich
etc
好的入门。
再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合
写的。
惜Rich 现在没心思出第二版。
趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
没发言权。
以外，很多人都推荐Prediction, Learning, and Games。
【在 x******1 的大作中提到】
: Bishop 的 Pattern Recognition and Machine Learning (2nd edition)是俺觉得最好的入门。
: The Elements of Statistical Learning (2nd edition) 观点偏向统计。
: 这两本几乎是必看的，而且网上都有下载。
: Bishop 的 这本把 graphical model 几乎重要的都cover了，搞得 Jordan 对于是否再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合写的。
: 剩下要看 reinforcement learning 的话，当然是 Rich Sutton 的书，有些老，可惜Rich 现在没心思出第二版。
: 要看 kernel method 的话， Shaw-Taylor & Cristianini 的比较容易看，特别有兴趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
: 如果对logic比较感兴趣的，Tom Michell 的书还行，俺看过又忘了，不做这领域，没发言权。
: 如果只是想很浅地了解的
|
N**D
发帖数: 10322 | 17 btw, I have AIMA, first edition,
anyone needed, free and you pay shipping
pm if interested.
好的入门。
再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合
写的。
惜Rich 现在没心思出第二版。
趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
没发言权。
以外，很多人都推荐Prediction, Learning, and Games。
【在 x******1 的大作中提到】
: Bishop 的 Pattern Recognition and Machine Learning (2nd edition)是俺觉得最好的入门。
: The Elements of Statistical Learning (2nd edition) 观点偏向统计。
: 这两本几乎是必看的，而且网上都有下载。
: Bishop 的 这本把 graphical model 几乎重要的都cover了，搞得 Jordan 对于是否再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合写的。
: 剩下要看 reinforcement learning 的话，当然是 Rich Sutton 的书，有些老，可惜Rich 现在没心思出第二版。
: 要看 kernel method 的话， Shaw-Taylor & Cristianini 的比较容易看，特别有兴趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
: 如果对logic比较感兴趣的，Tom Michell 的书还行，俺看过又忘了，不做这领域，没发言权。
: 如果只是想很浅地了解的
|
x******1
发帖数: 31 | 18 learning theory实在太那个了，一个小方向就能钻得很深，以至钻到 Colt 上你
review我，我review你，旁人都不懂。
不过数学物理都这样。 |
d******e
发帖数: 7844 | 19 做基于统计的其学习必修Multivariate Analysis和Generalized Linear Model。
这两个学完，就可以开始做research了，完全不需要看这些机器学习的书。
好的入门。
再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合
写的。
惜Rich 现在没心思出第二版。
趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
没发言权。
以外，很多人都推荐Prediction, Learning, and Games。
【在 x******1 的大作中提到】
: Bishop 的 Pattern Recognition and Machine Learning (2nd edition)是俺觉得最好的入门。
: The Elements of Statistical Learning (2nd edition) 观点偏向统计。
: 这两本几乎是必看的，而且网上都有下载。
: Bishop 的 这本把 graphical model 几乎重要的都cover了，搞得 Jordan 对于是否再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合写的。
: 剩下要看 reinforcement learning 的话，当然是 Rich Sutton 的书，有些老，可惜Rich 现在没心思出第二版。
: 要看 kernel method 的话， Shaw-Taylor & Cristianini 的比较容易看，特别有兴趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
: 如果对logic比较感兴趣的，Tom Michell 的书还行，俺看过又忘了，不做这领域，没发言权。
: 如果只是想很浅地了解的
|
N**D
发帖数: 10322 | 20 then it is called statistics
【在 d******e 的大作中提到】
: 做基于统计的其学习必修Multivariate Analysis和Generalized Linear Model。
: 这两个学完，就可以开始做research了，完全不需要看这些机器学习的书。
:
: 好的入门。
: 再写一本很鸡肋。不过有趣的是，Jordan 现在广为流传的 draft 起初是和 Bishop合
: 写的。
: 惜Rich 现在没心思出第二版。
: 趣的可以看Schoelkopf & Smola，不过很多内容都过时了。Smola 在写新书。
: 没发言权。
: 以外，很多人都推荐Prediction, Learning, and Games。
|
|
|
d******e
发帖数: 7844 | 21 我都说了,是基于统计的机器学习.
呵呵,排斥统计有什么意思么?
统计和机器学习融合是大势所趋,看看Berkeley的统计和CS，UCLA的统计和CS还不说明
问题么？
【在 N**D 的大作中提到】
: then it is called statistics
|
p*********g
发帖数: 226 | 22 机器学习是统计和计算机的融合。
各有所好吧，都有价值，能结合起来最好，有些偏重也行，没啥。入门的话还是先看得
广些吧。 |
N**D
发帖数: 10322 | 23 没人排斥
是学统计的说ml就是统计的101，
所以偶说那还是叫统计比较好，
为啥要带个ml的帽子呢？
and the strongest ml program is not in berkeley, ucla
【在 d******e 的大作中提到】
: 我都说了,是基于统计的机器学习.
: 呵呵,排斥统计有什么意思么?
: 统计和机器学习融合是大势所趋,看看Berkeley的统计和CS，UCLA的统计和CS还不说明
: 问题么？
|
