书籍介绍

这本被无数读者奉为「西瓜书」的机器学习入门经典，真正的价值不在它讲了多少算法，而在于它反复引导读者去追问「算法背后的思想」——为什么用信息增益而非基尼指数划分？偏差与方差究竟如何共同决定模型的泛化能力？这些追问，正是它区别于速成教程的地方。然而读者反馈也揭示了一个尖锐的现实：它的「通俗」是相对的，留出法、交叉验证、ROC与AUC背后的推导并不温柔，「懂的人不用看，不懂的人看了也看不懂」的吐槽屡见不鲜。正因如此，它更适合带着明确目标走进课堂、跟着一学期课程逐步啃读的读者，而非指望睡前翻翻就能上手的自学者。它不承诺轻松，但承诺扎实；不保证速成，但保证你真正理解模型为何如此运作。

作者简介

周志华，南京大学教授，计算机科学与技术系副主任，软件新技术国家重点实验室常务副主任，机器学习与数据挖掘研究所（LAMDA）所长，校、系学术委员会委员；ACM杰出科学家，IEEE Fellow，IAPR Fellow，中国计算机学会会士；长江学者特聘教授，国家杰出青年基金获得者。2007年创建南京大学机器学习与数据挖掘研究所（LAMDA），2010年11月任软件新技术国家重点实验室常务副主任，2013年5月任计算机系副主任。

AI导读

核心看点

涵盖决策树、SVM、神经网络等经典算法
系统讲解模型评估、偏差方差分解等基础
进阶涉及强化学习、概率图模型等前沿

读者共识

内容全面，是极佳的入门导论教材
论述简略，不适合零基础独立自学
排版精良，参考文献极具参考价值

精彩摘录

"算法是“死”的，思想才是“活”的。……务须把握算法背后的思想脉络，无论创新科研还是应用实践，皆以此为登堂入室之始。"
"一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，其他每个结点则对应于一个属性测试。决策树学习的目的是为了产生一棵泛化能力强的决策树，其基本流程遵循简单且直观的“分而治之”策略。"
"k近邻学习是“懒惰学习”的著名代表，此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开销为零，待收到测试样本后再进行处理；相应的，那些在训练阶段就对样本进行学习处理的方法，称为“急切学习”。"
"氢原子之间一般都是共价键"
"偏差-方差分解说明，泛化性能是由学习算法的能力、数据的充分性以及学习任务本身的难度所共同决定的。"
"幸运的是，如果原始空间是有限维，即属性数有限，那么一定存在一个高维特征空间使样本可分。"
"1-R(h*)反映了分类器所能达到的最好性能，即通过机器学习所能产生的模型精度的理论上限。"
"试证明任意一条ROC曲线都有一条代价曲线与之对应，反之亦然"

第1章 1

1.1 引言 1

1.2 基本术 2

1.3 假设空间 4

显示全部

用户评论

机器学习课的教材编著和排版都很用心把ML的大致骨架描摹得清楚。一学期讲了前十章感受: 首要推动力还是冷血助教布置的作业集。

手撕SVM，数据挖掘面试必备

不要窄化思维。

的确是以教材的思路在写，但如果缺少合适的辅导，这本书作为机器学习的入门自学书并不太合适。倒是对从业者来说是个不错的理论重温读物，很多内容虽展开有限，但的确为进一步深入研究提供了一个出发点。不得不说，中文资料里面算不错的了。

花了两周浏览完了第一遍，确实像周老师说的，这本书需要反复阅读多次才能体会。确实是机器学习领域极佳的入门教材，全五星。不懂高分短评是什么意思，此书的前言中说的很清楚，“本书只能给诸君提供入门之路径，读者若想通过此书而精通浩瀚之机器学习，那是万万做不到的”。可能你们自己没有认真看书吧。不过有些人就是喜欢恶意低分，彰显自己的所谓“独特看法”了。然后一旁的吃瓜群众，带着敬佩的心情去点赞。其实大多数人，连这本书，都没看过吧。

看着西瓜书想到自己今年真的能在家呆到吃西瓜......

写的太繁琐了，对于新手或者想自学的很不推荐

8.2

可以入门不错

东西详细，很全面，但是公式推导看不懂，代码也没有，真的不适合新手入门

你可能会关注的书籍