Machine Learning读后感精选10篇
《Machine Learning》是一本由Kevin P. Murphy著作，The MIT Press出版的Hardcover图书，本书定价：USD 90.00，页数：1104，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。
《Machine Learning》读后感(一)：MLAPP读书会请加qq群177217565
我们正准备读这本书，Machine Learning A Probabilistic Perspective 读书会请加qq群177217565，也讨论Pattern Recognition And Machine Learning。
《Machine Learning》读后感(二)：为什么评分这么高?
为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？为什么评分这么高？谁学过，谁学完了？
《Machine Learning》读后感(三)：很适合想俺这样没啥时间看paper的民工
哥们就是一个苦逼的本科小民工啊，在ml上完全没有受到过系统的学习，从大约1年半前开始接触机器学习至今，总共看过AG的video，看过《机器学习》和《模式分类》，后来又看了李航的《统计学习方法》，啃过《prml》，学到的东西总感觉零零散散，由于远离ml的圈子，缺乏对这个领域的一个整体上的认知，看完这本感觉很不错，虽然不深入，但是全的特点能把各种小碎块合到一起，特别适合像俺这样的自学的民工，就是各种印刷错误啊，特别是公式里的印刷错误，遇到之后太虐心了。。。。
《Machine Learning》读后感(四)：一本大杂烩
断断续续读了本书几章内容，并扫了一眼全书，个人感觉这本书就是一本大杂烩。
这本书涉及的内容很广，概率图模型、GLM、Nonparametric Method，甚至最近比较火的Deep Learning也包括了。但是，感觉很多地方讲的不是很细致，每每读到关键地方，都有种嘎然而止的感觉。不过还好，作者给出了很多的参考文献（包括一些先相关子领域的经典书籍和论文），可以方便深入阅读。
总的来说，这本书既适合入门（对机器学习有个整体了解），也比较适合深入学习（沿着参考文献走）。
《Machine Learning》读后感(五)：坑爹无极限
这本书的作者试图把机器学习进行全景式地展现，根据我有限的机器学习知识，作者把机器学习该有的都涵盖了。
这样做一个非常大的缺陷就是东西太多，讲的不够深入，许多例子都是非常笼统，没有做详细解释，就给了一个图，随便说了几句，对于一个初学者，怎么可能理解的了。
书中的许多前后符号不统一，也是令人无语的地方，本来机器学习符号就多，如果符号不统一，真的是非常恐怖，初学者极易陷入坑中，半天拔不出来。
还有本书还有许多低级的拼写以及交叉引用方面的错误。
总之，这本书，我认为贪多嚼不烂，没有写好，读这本书，对初学者简直就是折磨，不推荐。
《Machine Learning》读后感(六)：我心目中的ML领域三大经典教材之一
另外的两本分别是PRML和ESLII。
这本书的成书时间最晚，刚出的时候特意花了90刀从亚马逊买的。
先说说优点：新，全！
刚说了，相对于另外两本书，由于成书时间较晚，所以涵盖了更多最近几年的hot topic，比如Dirichlet Process，在其他另外两本书中都没有提到过。
更重要的，是全，基本上ML领域的专有名词，你都可以在书后的index找到。说道这里，不得不佩服本书的作者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，当初申请PhD的时候就想申他的学生，可惜他那个时候已经打算跳到Google，不再招新学生了。
还有一个非常重要的，另外两本书不具备的，就是这本书配备了详尽的matlab code，你几乎可以尝试书中的每一个例子。
单从以上这几点，我绝对会把他排在所有ML教材的首位！
不过可惜的是，当我拿到手开始读这本书的时候，却有不禁有点失望。显然Kevin的驾驭力还不及另外两本书的作者，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，在这一点上，我觉得作者做的还不是很出色。所以整本书的系统性不及另外两本，读起来也没有那种酣畅淋漓的感觉。有的时候，当你读完一章之后，反而更加的迷惑，因为很多东西作者都没有系统阐述，仅仅是点到为止。
本书的另外一个缺点就是排版和笔误非常的多，可见后期的校对工作做的也不够好。
但不管怎样，这本书都应该算的上是经典，如果打分的话，PRML 9.5，ESLII 9.4，本书9.2，其他ML的书籍应该都在9以下。
《Machine Learning》读后感(七)：看了一点 觉得可读性一般啊
-----------------------------读完第三章更新------------------------------
啪啪啪啪啪啪啪啪啪啪啪，先自扇十个大耳光。
这本书还是不错的，很深，我写了个第三章的笔记，欢迎拍砖。http://book.douban.com/annotation/23203104/
第三章可读性比第二章好得多，但是说实话还是照SALP差很多，可能是因为SALP在这方面太牛逼了吧。比如说如果这本书说，We now discuss how to fit a discriminant analysisi model.那SALP一定会加一句，that means figuring out the xx and xx parameters of this model.
这本书有些不是那么straightforward的地方，也没有给出足够的details，得靠自己琢磨。
我先读了一遍第三章，不太透，然后又读了第二遍有很多地方才想通。
anyway，绝对是一本好书，讲的层面比之前的了解要深，（具体怎么个深法说不好。。），继续看吧。先改到4星。
------------------------------------------------------------------------------
最近在读三本书，一本Speech and Language Processing，一本Pattern Recognition and Machine Learning，还有一本就是这个了。第一本读了相当一部分了，第二三本都只读了一章多。
我是菜B，比较不了这几本书的深度广度，只能比较易读性。但我觉得对于外文书籍来说，可读性本身就很重要不是吗。
觉得第一本SALP可读性好的一B，说理清楚重点突出，一天恨不得读个20、30页，作者把每一章讲什么，将怎么讲，和之前与之后的章节有什么关系说得清清楚楚；在讲到具体知识点的时候也会告诉你为什么要讲，讲了怎么用，还会在不同方法之间作比较，A比B好在哪里，差在哪里，业界喜欢用哪个，为什么。总之，读起来特别爽。
第二本看了个Introduction，还看了后面的一点，觉得可读性也不错，也是说的很明白嘛，而且读起来让人很有兴致。
本打算就着第二本读下去，后来又知道了这本，看了看介绍，觉得里面涵盖的内容更全面，角度更正统，于是找到pdf读个试试，现在读到第二章，发现相比那两本这本读起来要无聊得多。好像都是堆砌和罗列，而没有穿针引线。当然了，也许后面特别牛逼呢，毕竟第二章只是一个对概率论的回顾。
这本书的评论还一个都没有呢，因为书太新，可能全世界读完这本书的还没几个呢吧。我也没读完，不过还是想从这个角度先发一个，想起个头大家讨论一下，大家随便喷我，我是菜B一点都不怕喷，不过我也想知道一下大家的看法。
先给个3星吧，如果读着读着发现自己错了再来改。
《Machine Learning》读后感(八)：machine learning的圣经&handbook，估计得当这个角色很久。
Awesome! 1. 与这本书的缘分竟始于化学系图书馆(没有其它两本，PRML or the Elements，也许因为K Murphy是校友的缘故。。不过C Bishop就在附近的Microsoft啊) 最终在黑五我还是买了这本书，装帧结实漂亮；留白够多，这样可以随意增添喜欢的内容和推导。英Amazon比较厚道，便宜了8镑；美亚还涨价了。 2. 读过的best machine learning book，很漂亮的写法，比如ridge regression，lasso的概率观点（Gaussian likelihood and Gaussian prior，以及Gaussian likelihood and Laplacian prior），对directed graph、undirected graph的尽量使用，对mixture model作为unsupervised learning basis的强调，对SVM epsilon insensitive loss function approach的讲解，从HMM到SSM(Kalman filter)自然衔接，等等。不过既然是probabilistic观点，也就不太适合新手，尤其是不喜欢公式的新手。美中不足的是，习题数量偏少，质量欠佳。 3. 目前（2018.01）我已大约读完，再说一下总体感受，可以用MIT learning theory 课上教授的话概括: “所有的材料都是well organised，如果你觉得乱，那你没看懂”。反正诚意是足够了。我们有时候也不要太勇敢，随便翻两页就觉得作者傻瓜。那些七拼八凑，甚至干脆从英文译过来(还声称是原创)的博客及其作者算什么呢。如果拿物理书比较的话，肯定比不上Landau-Lifshitz的伟大教程的行文，但不会比H Kleinert的path integral (1600页!) 差，我觉得。这本书在goodreads上是评分最高的机器学习书，看到豆瓣的评分也较高，说明语言几乎没有影响大家的品味嘛。 4. 前三次印刷，包括网上的pdf，typos较多，第四次好很多，现在是第6次printing。我在github上写了第一版第四次printing的勘误表（不知大家写过paper没有，有些typos确实可以谅解；又如2010年新版的Feynman&Hibbs Quantum Mechanics and Path Integrals (384页)，其中注释者D Styer改正了1965版的～800处typos），希望对大家有帮助，链接：https://github.com/ks838/Murphy-Machine-Learning-A-Probabilistic-Perspective-Errata-and-Notes-4th-printing 5. 与作者有些交流，2018年底第二版，会让书坡度更缓一些。本人目前在参与第二版的proof reading和feedback，第二版关于deep learning, reinforcement learning有相当章节。语言也从matlab迁移到了python。作者作为一个出色的学者，概括能力确实很强，观点较高，对probabilistic model的理解也是非常深刻。对了，frequentists还是避开第一版吧，chap6不会让你们高兴的。 ------------------------------------------------------------------------------------- 2018.01.18，选了一门课：machine learning and Bayesian inference，教授非常赞赏并大力推荐这本书（还有Koller那本Probabilistic Graphical Models）。这门课跟Murphy这本书风格很像，学院派的味道还是有些的。但想登堂入室，恐怕还是需要一番推导的，而不止于调一调tf、keras、sklearn们。说到sklearn，这本大书比sklearn的user guide内容可更多更深(这个user guide也多次参考了这本书)，结合着看是不错的体验。
《Machine Learning》读后感(九)：刊误（chapter 1 - chapter 5）
纯搬运。
来自：https://www.cs.ubc.ca/~murphyk/MLbook/errata.html
提交新的bug fix：https://docs.google.com/forms/d/e/1FAIpQLSdOXvmnvuIQn__t0xPyTErj53L-qo_RerImgKbXV4VfLDI6SQ/viewform？formkey=dEp2U2hRWXVpMU5nd05YcEJKVFNUdmc6MQ
- preface: added printing history to the end of the preface, to make it easier for the reader to determine which version they have
- sec 1.1: reworded deｓｃｒｉｐｔion of the long tail
-p4 Added reference to Nate Silver book (‘The Signal and the Noise’) and reformatted sec 1.2.1.2
- footnote 3 on p31: 'risk reverse reward' should be 'risk versus reward'
- p35 After eqn 2.35: ref to “Figure 2.1(b-c)” should say “Figure 2.1”.
- sec 2.2.3 Added quote by Jeffreys’73 and ref to the book by Sharon McGrayne (2011) to the Bayes rule section
- sec 2.4.2 on student T distribution was missing subsection title; this change has
caused all subsequent subsections in 2.4 to be renumbered
- p.68: iff (if and only if) [and not "iff (***iff*** and only if)]
- equation 3.14 (p.74). should be
***p(theta | D)*** equiv. p(D | theta) * p(theta) = (...)
- p.74, 2nd parag.: missing ')' after first theta in p(D |
theta***)*** equiv. P(s(D) | theta)
- p.74, end of 1st line in section 3.3.2: missing 'be' in "it would
***be*** convenient (...)"
- p.74, penultimate parag.: "and that we think it lives in the
interval (0.05, 0.30) with
robability ***？？？***, then ..." [is a value missing there？？？]
- Page 84, line 8 of Algorithm 3.1. for theta_jc, you should have N_c, not N.
- page 85, equation 3.67, the subindex k should be c.
- eqn 3.90 (in exercise 3.3) typo: should be Gamma(a0+a1+1) = (a0+a1) Gamma(a0+a1)
- eqn 3.93 (exercise 3.9) should be max(D, b) instead of max(D)
- eqn 4.62 Should be delta_c = x’ beta_c + gamma_c
- eqn 4.82 Should be vmu_{1|2} = -vL_1^{-1} vL_2 vx_2
- eqn 4.181 Should be SN = SO + Smu, not inv(SN)
- eqn 4.197 Should be exp(-1/2 tr(Sigma(-1) S)) not exp(-N/2 …)
- sec 4.5 Distribution of scatter matrix is S ~ Wi(Sigma, N) not Wi(Sigma, 1)
- ex 4.8c. Whitening uses U and Lambda, which are the eigenvectors /
values of X'X, not X
- sec 5.7.2.1 Added footnote that AUC is equivalent to a pairwise ranking criterion