《动手学机器学习》机器学习: 动手即时猎取智慧

最近异步图书推出了动手学系列，其中一本是《动手学机器学习》。这本着眼于机器学习教学实践的图书详细介绍了机器学习的基本内容及代码实现，并将理论与实际相结合，通过大量示例代码带领读者走进机器学习的世界。

阅读前言后，我第一次系统了解到机器学习在数学和编程两方面对学习者提出更高的要求。一方面，学习者需要理解机器学习方法背后的原理；另一方面，需要用实际性能来衡量学习者的掌握情况，因为机器学习是基于实践的学科。

这本书分为四部分：机器学习基础、参数化模型、非参数化模型、无监督模型。

机器学习基础部分详细解释机器学习的概念、基本原理和分类，介绍了学习机器学习需要具备的数学基础，如向量、矩阵等，还讲解了k近邻算法和线性回归，并介绍了机器学习的基本思想，如正则化约束、参数与超参数。

参数化模型部分讲解了逻辑斯蒂回归、双线性模型和神经网络的知识，并通过大量代码示例进行动手学习与实现。

非参数化模型部分介绍了支持向量机和决策树的相关知识，并通过示例代码进行动手学习与实现，帮助读者快速学习完这一部分。

无监督模型部分讲解了k均值聚类、主成分分析——PCA降维、概率图模型、EM算法和自编码器，同时通过示例代码带领学习者动手学习与实现。

此外，书中还介绍了机器学习的分类方式：监督学习、无监督学习和强化学习；以及模型的分类方式：参数化模型、非参数化模型。

书中提到了机器学习的泛化能力，即模型在未见过的数据上的预测性能，这是机器学习的核心。泛化误差被用来度量模型的泛化能力。归纳偏置是指模型对问题的先验假设，如假设空间上相邻的样本有相似的特征，是机器学习模型的"天赋"。

然而，机器学习并不是万能的，目前存在三个方面的限制：数据限制、泛化能力限制和使用形态限制。

阅读了部分章节后，发现不需要从头到尾全书阅读，可以根据自己的需求选择性阅读。这本书通俗易懂，不仅适合机器学习专业技术人员，也适合我按照自己的方式做了一份思维导图，总结来说，这本图书是一本值得入门学习机器学习的傻瓜式教程。