机器学习实战读后感精选10篇
《机器学习实战》是一本由Peter Harrington著作,人民邮电出版社出版的332图书,本书定价:69.00元,页数:2013-6,特精心从网络上整理的一些读者的读后感,希望对大家能有帮助。
《机器学习实战》读后感(一):光看这一本想做机器学习,还远的很
本文将从三方面评价此书:
一、仅从启发兴趣来说,这本书已经是巨大的成功了。
机器学习到底是什么,要我总结,它就是数学(统计学),所以尽情happy地去学机器学习吧,因为数学是不会过时的。
一谈到数学,令人想到的就是繁杂的公式,晦涩的理论,考验脑细胞的思想。有时怕一说到“数学”二字,就要吓跑一大批要学习机器学习的同学。如果你正巧被我说中,那么一定要读一读这本书。外国人写书非常有趣,循序渐进,像聊天一样,不会让你觉得很枯燥。另外这本书的排版给人感觉非常悦目,读起来是一种享受。
这都不是重点,重点是它会指导读者如何实践。对于新手来说,尤其是耐心不足的同学,最希望的是能够动手去做做看,希望能看到实际的结果。而看到大数据时估计很多人会忧虑:我没有数据来做试验,就算有我也不会把数学原理转换为代码。这本书正是解决了这个问题,它使用python(提供了类似matlab的库)来实现机器学习的各种算法,使得算法从纸上一个字符一个字符地跃到计算机上,你会体验到一种从无到有的成就感,而很多实践的案例贴近生活,让你更直观的去感受机器学习的应用,动力十足。
二、动手你才发现自己仅是看似学会。
如果仅仅是学习原理,经常会出现看似学会的情况。如果马上让你写出某某个算法的代价函数,也许你会犹豫在这个公式到底有没有负号。再问你为什么是这个函数,你会发现自己一直就不知道原因。
所以必须要动手。动手编程实现了这个函数才发现很多细节不实现永远注意不到。动手不仅加深印象,更是再思考。
三、十分全面,但距离做机器学习还远的很。
这本书基本涵盖了主流的机器学习算法,十分全面。但如果仅仅是仔仔细细的研读过此书,实践所有的代码也距离懂得机器学习远的很。
这里就要说这本书的一个不足之处,它的原理部分讲得非常浅,而机器学习这种偏理论的技术,对于原理来说更是要求的重点。很多原因没有解释(清楚),很多公式没有得到推导。所以建议配合其他讲解理论的书籍一起学习。
最后要说,本人也是初学机器学习,评价不知道是否客观,但仅从我个人读此书的经历来说,还是享受到了学习机器学习的愉悦。
《机器学习实战》读后感(二):分享一下书上的数据与源码(基于Python3)
原书的案例、数据和代码(我自己基于Python3写的)都放在这里啦:https://github.com/Y1ran/Machine-Learning-in-Action-Python3 ,大家可以参考一下,记得star哦
. 忍不住吐槽:原书本来的代码除了简单易懂,实在找不出其他优点了。。
.目前还在读,这个月会慢慢写完的,大家可以先FORK一下
《机器学习实战》读后感(三):机器学习实战
机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。
本书第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。
全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。通过各种实例,读者可从中学会机器学习的核心算法,并能将其运用于一些策略性任务中,如分类、预测、推荐。另外,还可用它们来实现一些更高级的功能,如汇总和简化等。
《机器学习实战》读后感(四):初学者可以配合51cto上的唐宇迪的教程看
纯属好奇机器学习是怎么回事,虽然是coding渣,冲着现在三分热情在慕课上补了下python的基础知识。就跑来看实战。
下了kiddle版和pdf版本的看了第一章节,大学的矩阵相加,相减,相乘都忘光了,
umpy的各个函数也不熟。看的很打击积极性。
遂又上51cto上 又搜机器学习的相关教程,搜到唐宇迪GG的教程,看了KNN算法,例子就是用此书的例子,看着视频教程的大纲,和此书的大纲也差不多,建议可以和视频教程结合看,初学者,对python,对编程 又不熟悉的,有个人讲解会好很多。。绝对不是广告啊
:发现唐GG的代码的变量名 取得都和此书的一样,哈,一度怀疑是不是旁边还放着一台电脑开着例子。
《机器学习实战》读后感(五):零基础实战机器学习(Python语言、算法、Numpy库、MatplotLib)
话不多说,直接给大家分享,课程是真心不错
本教程系统的介绍了机器学习的目的和方法。并且针对每一种常用的方法进行了详细的解析,用实例来说明具体的实现,学生可以跟着一步步完成。在面对现实的问题的时候,可以找到非常可靠的参照。本课程在最开始讲解了Python语言的基础知识,以保证后面的课程中可以顺利进行。更多的Python语言的知识,需要学员自己去找更多的资料进行学习。
本课程主要讲述了两大类机器学习的方法:有监督学习和无监督学习,其中有监督学习里面,又分为分类和预测数值型数据。这些算法都是基础的算法。这样可以降低学习的难度,容易理解机器学习思路和实现的过程。
第一讲:机器学习的任务和方法
第二讲:Python语言基础
第三讲:Python语言基础2
第四讲:分类算法介绍
第五讲:k-临近算法
第六讲:决策树
第七讲:基于概率论的分类方法:朴素贝叶斯
第八讲:Logistic回归
第九讲:支持向量机
第十讲:利用AdaBoost元算法提高分类性能
第十一讲:利用回归预测数值型数据
第十二讲:树回归
第十三讲:无监督学习
第十四讲:利用K-均值聚类算法对未标注数据分组
第十五讲:使用Apriori算法进行关联分析
第十六讲:使用FP-growth算法来高效发现频分项集
第十七讲:利用PCA来简化数据
第十八讲:利用SVD简化数据
第十九讲:大数据与MapReduce
第二十讲:学习总结
《机器学习实战》读后感(六):Python数据分析与机器学习实战
ython数据分析与机器学习实战
课程风格通俗易懂,真实案例实战。精心挑选真实的数据集为案例,通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础,所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合,选择经典kaggle项目,从数据预处理开始一步步代码实战带大家快速入门机器学习。旨在帮助同学们快速上手如何使用python库来完整机器学习案例。
课程目标
零基础快速掌握python数据分析与机器学习算法; 快速入门python最流行的数据分析库numpy,pandas,matplotlib; 从原理上进行推导较为繁琐的机器学习算法,以算法流程为主结合实际案例实现完整的算法代码; 使用scikit-learn机器学习库完成快速建立模型,评估以及预测; 结合Kaggle经典案例,从数据预处理开始一步步完成整个项目,对如何应用python库完成实际的项目形成完整的经验与概念。
适合人群:
数据分析,机器学习,数据挖掘领域研究者。Python语言使用者。
课程目录:
第1 章 : Python环境配置
课时1:使用Anaconda安装python环境
课时2:Eclipse配置python插件
课时3:课程简介
第2 章 : Python科学计算库-Numpy
课时4:Numpy库简介
课时5:Array数组
课时6:数组操作
课时7:矩阵基本操作
课时8:矩阵的创建与初始化
课时9:常用函数案例演示
课时10:排序与索引
课时11:习题实例
第3 章 : python数据分析处理库-Pandas
课时12:Pandas库简介
课时13:数据读取与显示
课时14:数据样本行列选取
课时15:数值计算与排序
课时16:数据预处理与透视表
课时17:自定义函数方法
课时18:核心数据结构Series详解
课时19:数据索引变换
第4 章 : Python数据可视化库-Matplotlib
课时20:Matplotlib简介
课时21:画出第一个简易折线图
课时22:打造一个完整的折线图
课时23:条形图实战
课时24:直方图与四分图
课时25:基于真实数据集的可视化分析
课时26:可视化图表细节
第5 章 : Python机器学习案例实战
课时27:初识机器学习
课时28:使用python库分析汽车油耗效率
课时29:使用scikit-learn库建立回归模型
课时30:使用逻辑回归改进模型效果
课时31:模型效果衡量标准
课时32:ROC指标与测试集的价值
课时33:交叉验证
课时34:多类别问题代码
课时35:梯度下降原理
课时36:实现简易梯度下降算法
课时37:SVD奇异值分解原理
课时38:SVD推荐系统应用实例
课时39:K近邻算法原理
课时40:K近邻算法代码实现
课时41:K近邻实例
第6 章 : 决策树与随机森林
课时42:决策树算法原理
课时43:基于ID3算法进行特征选择
课时44:构建决策树
课时45:使用scikit-learn库建立决策树
课时46:分类回归树CART
课时47:分类回归树代码实现
课时48:随机森林模型
课时49:随机森林特征重要性
第7 章 : 聚类模型
课时50:无监督聚类问题
课时51:聚类结果与离群点分析
课时52:K-means聚类案例对NBA球员进行评估
课时53:K-MEANS原理
课时54:K-MEANS聚类算法实现
第8 章 : 支持向量机
课时55:支持向量机算法原理
课时56:支持向量机对偶问题
课时57:核变换解决低维不可分问题
课时58:soft-margin支持向量机
课时59:SMO算法求解支持向量机
第9 章 : 神经网络模型
课时60:初识神经网络
课时61:神经网络强大的非线性
课时62:深入神经网络细节
课时63:代码实现简易神经网络
课时64:深度学习-递归神经网络
课时65:神经网络打造二进制加法器
第10 章 : 贝叶斯模型
课时66:贝叶斯原理
课时67:基于贝叶斯的垃圾邮件分类
课时68:使用贝叶斯算法打造拼写检查器
课时69:K近邻算法实现
第11 章 : Adaboost算法
课时70:Adaboost算法原理
课时71:Adaboost实例
课时72:Adaboost实现代码
课时73:Adaboost训练模型
第12 章 : 机器学习项目实战-泰坦尼克获救预测
免费 课时74:船员数据分析
免费 课时75:数据预处理
课时76:使用回归算法进行预测
课时77:使用随机森林改进模型
课时78:随机森林特征重要性分析
第13 章 : 机器学习项目实战-贷款申请最大化利润
课时79:数据清洗过滤无用特征
课时80:数据预处理
课时81:获得最大利润的条件与做法
课时82:预测结果并解决样本不均衡问题
第14 章 : 机器学习项目实战-用户流失预警
课时83:数据背景介绍
课时84:数据预处理
课时85:尝试多种分类器效果
课时86:结果衡量指标的意义
课时87:应用阈值得出结果
第15 章 : 机器学习项目实战-HTTP日志聚类分析
课时88:建立特征工程
课时89:特征数据预处理
课时90:应用聚类算法得出异常IP点
《机器学习实战》读后感(七):一个合格的读者,应该明白自己需要什么
为什么我会力荐这本书?
也许书中分类器都非常的简单,数学理论都非常的粗浅(为了看明白书中SVM分类器的训练过程,不得不去复习了二次凸优化解法,自己推导被作者略去的中间过程),算法测试也只在轻量级的数据集上完成。
不过,大可不必像其他评论一样对贬低本书。聪明的读者会知道自己没有什么,自己需要学习什么。如果更加喜欢背后深奥的统计学理论和凸优化理论,可以去看《Machine Learning: A Probabilistic Perspective》,如果对自己的数学水平足够自信的话。
这本书能让你明白:
那些被吹捧得出神入化的分类算法,竟然实现起来如此简单;
那些看是高深的数学理论,其实一句话就能道明其本质;
一切复杂的事物,出发点都是非常简单的想法。
我说不出这本书适合什么样的读者,但是却明白它不适合谁:
学过一点机器学习或者模式识别或者数据挖掘,完全不具备统计推断和凸优化知识,又想找一条捷径,想从菜鸟摇身一变成大师的人;
对编程不感兴趣的人,或者没有动手实践习惯的人;
不喜欢独立思考,希望别人把答案摆在自己面前的人。
祝君学运昌盛
《机器学习实战》读后感(八):还好的一本实战书
这本书的最大好处是让你能够用最基本的pyton语法,从底层上让你构建代码,实现我们常说的比如邮件过滤,数据分类的应用。很多时候你要写最基本的代码和结构去做这些工作,而不是像kaggle的tutorial或者其他的工程大多数告诉你一个lib库函数去调用,你能看到底层在干什么,决策树是怎么弄出来的,gradient descent是怎么弄出来的,知道机器学习是如何从低实现的。
缺点就是评论上面说的各种,理论上不严密,其实这个有错误到是其次,主要是理论讲的不是很清楚不是很透彻。需要参考一些公开课老师讲的或者一些比较理论上的书籍,你才会发现原来作者不声不响加上的一些东西是这么来的。 有些作者写的机器学习的代码也是只对那个样本有效,遇到一般性的样本就会出现问题。
但是总体来说,我觉得这本书还是告诉了我们机器学习从代码上是个什么样子。的确,它在理论上欠缺,而且讲的逻辑不是很清楚,但是市面上根本不缺理论的书,这本书有自己独特的位置。开始你按照它的代码走,到后来你觉得,诶这哥们写的代码有点问题啊,不过到最后还是得感谢他领你入门了。
我觉得他的利还是大于弊,不过最好结合理论书和理论的公开课来一起学习,这样互补性很好。
《机器学习实战》读后感(九):一本失败的机器学习入门书
客观说,完全不能当入门书。 缺少必要的证明过程,有些甚至连公式都没有。 我觉得既然要学习机器学习,光改改代码完全是不够的,起码还得知道各个算法的基本公式和过程,不幸的是,这本书没有。
就比如逻辑斯蒂回归那章,他连损失函数都没提,就开始说梯度法了。问题是梯度法的核心就是优化损失函数,不提损失函数怎么优化?
所以,各位希望入门机器学习的,千万不要买这本书。看这本书之前,至少得懂各个算法是干什么的,否则,你会很痛苦。我从买来开始,基本上是靠自己百度,这本书唯一的作用是告诉我机器学习有哪些方法。
基本上,不了解清楚基本原理,我觉得很难看懂他写的代码。所以买这本书的人,千万慎重
《机器学习实战》读后感(十):个人觉得是机器学习里最接近实践的书了
尽管评论里对这本书褒贬不一,我觉得这些都是根据每个人不同的能力背景出发而给的评论。而对于我这样能力的人来说,这本书可以说是最适合了。我是什么能力状况呢,计算机专业背景,有那么几年开发经验,但是机器学习方面是小白。
看这本书需要一定的编程经验,但不需要很强,想我这样就行(不经常写代码)。书中的代码示例一般都不长,很好理解。本书也需要一定的数学知识,主要是线性代数和概率论,但一样不用很熟。想我这样毕业n年,忘了差不多的人,看一下附录里的知识点温故而知新,就没问题了。
很多人说书太理论性,其实这是我看的机器学习资料中,最接近实践的了。书上的内容写的很清楚,个人觉得结合例子一起看,也很易懂。很崇拜作者怎么能把这么一个外行人看来如此复杂的知识写的那么清楚。译者的水平也很高,很多技术书籍的译者我就不说了,看的那个累啊,读数时都是偏科生。但是这本书不错。我个人建议,是看一遍中文版的书先,然后再看遍英文版的,巩固下知识,也有助于了解英文中的名词,帮助你将来深入看英文资料。
总的来书,本书还算是比较适合机器学习初学者的,个人非常推荐。大牛就可以飘过了。