Programming Collective Intelligence读后感1000字
《Programming Collective Intelligence》是一本由Toby Segaran著作，O'Reilly Media出版的Paperback图书，本书定价：USD 39.99，页数：362，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。
《Programming Collective Intelligence》精选点评：
●非常好
●终于看完了！看一下卓越的购买时间，是10年10月23日，接近8个月的时间。一方面为自己的坚持感到高兴，另一方面也为自己的拖拉和懒惰感到惭愧。
●用来学学python很不错
●涵盖了一些常见的数据挖掘算法，和内容对比书名似乎有点容易误导，除非说只要是数据集都算collective。各种算法蜻蜓点水，这次算是借本书为索引，再去搜索、巩固一些基本知识。一些应用试用场景及细节讲得不错，但是没有对应上专有术语也没有引用，导致入门者难以深入。代码和实验没怎么看得进去（genetic programming那章实现除外）。随机优化那一章收获蛮多的：cost function, representation of constrained problem, similar solutions yield similar results。
●优化Optimization和遗传算法两章讲的很生动。这本书的代码风格是教程式的，代码被拆分成了很多小段，每一小段都可以直接运行，方便你理解算法思想和自己写代码。最后的算法总结也十分实用，方便查找。这个书适合作为入门书，让你了解大量应用、Python API、算法，培养兴趣又开阔视野。美中不足是本书没有给扩展阅读，如果有的话就给他五星。
●实例教学，容易入门，涵盖了数据挖掘的常用算法
●偶然发现的好书。
●开拓视野
●残缺推荐
●分析到位，内容有点旧。
《Programming Collective Intelligence》读后感(一)：安装python ide环境和执行书中实践网站del.icio.us完美步骤
为了更好地学习本书，我从学习python开始到后来调试书中的网站实例。花了不少功夫，希望朋友们不要走弯路。这里提供了图文并茂的指导过程。请参考：
http://blog.csdn.net/zjmwqx/article/details/7007438
《Programming Collective Intelligence》读后感(二)：感觉离实际应用还有点距离
1个问题有N个方案，如果单靠某个方案去解决该问题，感觉有点不靠谱。
随便举个例子：书中的Filtering Spam,算法本身没什么问题，但是其有个前提，数据越多准确性越高，但是一般公司项目上的数据不会很多，于是准确性就会低了。
要保证准确性，就要上大量数据，可能1亿的数据只为保证100万的真实数据的准确性，但是这个代价（人员，精力，软硬件投入）似乎高了不少。
感觉开阔了思路～，但实际应用可能还需要根据实际情况出发～
《Programming Collective Intelligence》读后感(三)：虽然原版部分章节代码有误，但不失为一本好书。（错误代码在中译版都有纠正）
刚看了collective intelligence没多久，里面讲解了很多实用的东西。很多例子自己也动手写了一遍，感觉收获不少。第四章讲搜索引擎。原来上过udacity的公开课，里面cs101也是讲用python写一个搜索引擎，但后者没有前者叙述的全面。作为了解搜索引擎的原理，基本算法，第四章的讲解还是很不错的。
第五章讲述随机优化。可是在代码里发现了不少错误，还好在中文版都得到了纠正。看来译者是比较仔细的。建议把两个版本结合来看，英文版用来理解，中文版看代码。
《Programming Collective Intelligence》读后感(四)：Dirty Book
看此书之前的想法：
好似很多人推荐此书入门。我对入门书籍的看法是能够快速地让读者感受到idea,给读者一副地图，指导读者之后的方向选择。所以我猜想这本书就是以web上通俗易懂的方法介绍machine learning algorithms.而我读这本书的目的就是想了解一下machine learning, 方便毕业论文。
现在看这本书的感受:
有一种刷新读书观的感觉，every step with some mathematics is not discussed!!! 通过介绍一些朴素至极的idea，然后用python给出code，结合一个API演示一下。看着代码，脑子里还需要还原成数学公式，再想这些数学公式的含义，参数的含义。我想这就是大部分人阅读此书的过程。所以我现在放弃此书，我认为这样的学习成本过高，看了code之后，不会对公式有更多的理解，也不会对这些算法有更多的理解，一本书读完对算法的认识还是相当朴素。但我觉得可以收获到的就是对数据处理的一个流程的把握，这当然也是入门者需要的。
所以我觉得这本书应该这样用：了解machine learning 算法之后，用python 实现一遍，以本书为实验指导。这样即锻炼了编程能力也对之前学习过的算法印象更深了。
《Programming Collective Intelligence》读后感(五)：入门的好书
花了很长时间，终于断断续续地坚持把《Programming Collective Intelligence》给读完了。作者用非常直观的方式向读者展示了人工智能和机器学习中的大量经典的算法。更可贵的是，作者在展示算法时所使用的例子都是Internet中非常有代表性的场景，并且很多情况下还会结合一些实际运营的Web站点的数据作更进步阐释。当然，作为一本实用型的书，少不了的是大量可运行的代码。
与其他Data Mining、Machine Learning方面的一些教科书相比，这本书的最大的优点是具体和直接。因为算法类教科书要传达的是一个领域内的相关知识，它往往非常专注本领域相关知识的介绍，而尽可能少涉及到一些次要的相关领域的知识。另外，又要显得本领域的重要性，所以描述要尽可能地严格和一般。也就是说，需要撇开具体问题（可以举例），仅仅从一个更高的层次上抽象地介绍这个领域。以表明“这个领域不光能解决这个问题，我的模型在这，只要你能套对模型，你的问题就能用我的方法来解。”而描述算法用的也是自然语言或者伪代码，目的是为了说明“我是语言中立的，满足一定条件的语言都能实现这个算法。”并且，还要用很多的篇幅来说明或者证明这个算法为什么是有效的，在什么时候有效，有效到什么程度等。
而事实上，对于初学者来说，描述上抽象往往可能造成了理解上的困难。因为我们理解东西，很多时候可能比较喜欢从感性上升到理性。也就是由具体到抽象。而教科书上的介绍往往是反过来的，先建立理性认识，然后再让你去实验实践得到感性认识。如果之前有一点背景知识，能够利用类比想象来理解的话，情况还好，否则就真的只能“云深不知处”了。所以，这边书的作用也正是在于此吧：它提供了关于这先算法如何编写以及使用的非常直白的指南。直白到就是照着书上敲代码配置环境就能运行。
不过补充一句，我没有贬低教科书的意图，事实上，看完这本书以后，想继续提高对于算法的认识的话，教科书依然是一个非常好的途径。
关于这本书没有告诉我们的。这本书没有告诉我们这些算法为什么有用。另外，它也没说怎么讲如何将算法用于大规模的数据上。关于第一个问题，是理论的问题，教科书解答的也正是这种问题。关于第二个问题，则是实践性的问题。关于大规模数据的存储、访问，以及在数据上的运算问题则更多是分布式并行系统所研究的问题。我想如果要是把这些东西加进来，这本书不知道还要加厚几倍，而它的读者不知道要少多少。
再说具体内容，集体智慧编程思想其实是简单的：各人自动自发无目的地提供信息，经过计算机整理以后会形成一种“合力”使得更多的人受益。举例来说，内容推荐。在内容推荐中，首先通过一个人过往的行为，比如看过的电影、书、朋友等，提取这个人爱好的特点（将人抽象成一些关键字，或者说属性），然后可以：1 推荐这个人特点吻合程度高的内容（内容本身也抽象成了一些关键字）；2 推荐和这个人爱好相近的人所喜欢的东西（志同道合嘛）3 其他。通过这种在属性空间中的运算，对人和内容、人和人、内容和内容之间的关系进行整理、展示、应用。这个就有点像流水生产线，流水线上每个工人负责一些比较细致具体的活儿，而整个流水线机械负责整个流程的运转和一些容易处理的加工过程。而集体智慧编程正是由计算机负责知识的整理过程，而人负责提供零散的各个知识点。
总结一下，这边书以恰到好处的深度展示了一幅利用集体智慧建设更智能的Internet的图景。在这个图景中，每个人按照自己的目的产生信息，而计算机则整理这些信息以造福更多的人。