机器学习-数学理论与实际领域应用入门进阶

评语：这本书在如今ML界威望很高！。但读起来不是很难，读下来很有帮助。

评语：有了这本书，就不再需要其他的机器学习教材了，包含艰深的统计推断、矩阵、数值算法、凸优化等数学知识。

评语：（2009新版） ESL跟PRML侧重很不一样。前者从frequentist的角度，后者从Bayesian的角度。Machine Learning a Prospective Approach则是二者中合。 感觉ESL讲的东西较PRML直觉性强很多。尤其是bayesian的一堆东西全没法计算，全是approximation，真用到实战中头疼得要死。而ESL上的方法多用bootstraping来近似贝叶斯学派的方法，实现简单太多。（第8章）

评语：IR经典入门，讲得清晰简明，逻辑明朗。

评语：能用这么精炼的篇幅，将python工程代码，基本算法实现讲清楚简直是日了狗了~ 不过还是得再相应看看具体算法的理论体系！！

评语：介绍了经典的一些机器学习算法，并且从很多数学理论上进行推导、讲解，干货很多！~

评语：很不错的一本书，作者很权威，内容很全面，深度适当。 也许对某些问题不是非常的深入，但是几乎囊括了自然语言处理的方方面面。 做搜索引擎、信息检索方面的同志也可以了解下。 Speech and Language Processing (3rd ed. draft) https://web.stanford.edu/~jurafsky/slp3/

评语：读起来并不太费力，想要了解非线性规划的人值得一读，需要一些矩阵等基础。

评语：Jordan老爷子的经典之作，思想深刻，此领域最好的综述，其实应该可以更好的

评语：　　两位作者都来自CS专业，在优化领域享有崇高地位，都是SIAM的Fellow。这本书主要讲连续优化，理论性很强，从最简单的牛顿法，梯度，再到有约束的优化问题中的对偶，KKT，单纯性等方法，最后再到非线性领域的罚函数和内点法，一气呵成，看的不光是数学，也是优化领域的发展史。 　　除了内容，英文书写也值得推崇，至少我看的心旷神怡。

评语：非常好的神经网络的入门进阶读本，理论的阐述非常的好。只需要读者有一点点数学知识（也就是懂一点点高数、线代的皮毛，不懂也可以，作者会负责地在书中相关地方讲述）就可以了！

评语：貌似很有意思的书，有严谨的数学思维。他人短评：Lemma 4.2的证明实在太绝了，几乎就像是在变魔术！

评语：采用R，都说还不错哈

评语：Hartley大师神书，养活了无数的博士和教授。在ox的vgg网站上，有本书的部分code。有兴趣的话还可以看看“In Defense of the Eight-Point Algorithm”，1997年发表。非常的严谨。 熊猫大哥 2017-01-03 几乎每个vision人都会推荐的书。陆陆续续非系统性地基本读完了。

评语：新书，WEKA适合入门，上手实验快。

评语：不可多得的好书，讲解文本处理中的常用算法如何使用MapReduce实现，有配套的相关代码，理论和代码都很有价值。

评语：教授上课的材料汇编成书，浅显易懂，配合视频比较好，http://www.youtube.com/watch?v=mbyG85GZ0PI&list=PLD63A284B7615313A $28 Learning Theory in plain English reread in 8 hours

评语：　刚读完书，google了一下书评，看到有人抱怨说这本书根本不是为hacker准备的，因为会详细介绍非常基础的编程，比如讲垃圾邮件classification那一章里花了大篇幅讲string parsing。 　　 　　看完的感觉是这本书的确不是面向programmer的，但书名其实也没错。它是一本Machine Learning 的入门读物，更适合的读者群其实是对Machine Learning感兴趣，对R有基本的了解，但对统计和编程的了解都很有限的同学。感觉这本书非常偏应用，相比于统计上的原理更偏重于介绍怎样通过代码实现，所以说叫做Machine Learning for Hackers也没错。如果用金庸小说里的说法的话，走的是剑宗的路数，而不是气宗。 　　 　　总体来说，仍旧是本不错的入门书。书的每一章都有一个非常实用的案例，Machine Learning中一些最基本的概念都通过这些案例非常自然流畅的进行了简单的解释。再配合上随书附带的R code，可以很直观的看到实现的过程。所以还是建议在手边有电脑的时候阅读。 　　 　　当然个人看完书的感觉是浅尝辄止，会希望对这些提到的方法能有更深的理解。本书末章推荐了两本，都是得到大家认可的经典读物：The Elements of Statistical Learning 和 Pattern Recognition And Machine Learning。 貌似两本书的起点要求都比较高，基础薄弱的同学可以先从An Introduction to Statistical Learning这本开始阅读，我之前用过这本当课本，虽然没怎么看过，但是看过的部分还是觉得不错的，而且也有配套的R code。 　　 　　补充一句，这本书直接google就能找到，code也在github上面。

评语：比较新的书，貌似也是很经典嘞。 只看了第一章，就把概率图模型的基本概念和算法全弄懂了。内容编排得非常好，逻辑清晰，简洁明朗。MATLAB代码包也写得超级赞，和书一样值得细读。

评语：Kevin Murphy，剑桥的本科，UCB的博士，MIT的博后，得到过多位大牛的真传，出完书跳到了Google。Kevin的驾驭力还不及另外两本书PRML和ESLII的作者，所以造成的一个结果就是这本书有点像是一个大杂烩，一本handbook，可是看出，作者是真心想把所有的东西都展现出来，而how to organize就成了一个很大的问题。这本书配备了详尽的matlab code，几乎可以尝试书中的每一个例子。

评语：看到好多人说这本书是大纲，是目录，没啥内容，讲的浅。 那就对了。 本书是MIT CS246课程MMDS使用的讲义，还有配套的Slides和HW，所以观看本书请配套课程进行学习，同时coursera上也有配套的课程。 See more detail: http://www.mmds.org/

评语：行文直接明了并配以大量实例来展示各种计量方法的应用，遗漏了很多理论上的证明。

评语：有趣的科普入门