在機(jī)器學(xué)習(xí)上，首先要推薦的是兩部國(guó)內(nèi)作者的著作：李航博士所著的《統(tǒng)計(jì)學(xué)習(xí)方法》和周志華教授的《機(jī)器學(xué)習(xí)》。
《統(tǒng)計(jì)學(xué)習(xí)方法》采用“總 - 分 - 總”的結(jié)構(gòu)，在梳理了統(tǒng)計(jì)學(xué)習(xí)的基本概念后，系統(tǒng)而全面地介紹了統(tǒng)計(jì)學(xué)習(xí)中的 10 種主要方法，最后對(duì)這些算法做了總結(jié)與比較。這本書以數(shù)學(xué)公式為主，介紹每種方法時(shí)都給出了詳盡的數(shù)學(xué)推導(dǎo)，幾乎不含任何廢話，因而對(duì)讀者的數(shù)學(xué)背景也提出了較高的要求。
相比之下，《機(jī)器學(xué)習(xí)》覆蓋的范圍更廣，具有更強(qiáng)的導(dǎo)論性質(zhì)，有助于了解機(jī)器學(xué)習(xí)的全景。書中涵蓋了機(jī)器學(xué)習(xí)中幾乎所有算法類別的基本思想、適用范圍、優(yōu)缺點(diǎn)與主要實(shí)現(xiàn)方式，并穿插了大量通俗易懂的實(shí)例。
如果說《統(tǒng)計(jì)學(xué)習(xí)方法》勝在深度，那么《機(jī)器學(xué)習(xí)》就勝在廣度。在具備廣度的前提下，可以根據(jù)《機(jī)器學(xué)習(xí)》中提供的豐富參考文獻(xiàn)繼續(xù)深挖。
讀完以上兩本書，就可以閱讀一些經(jīng)典著作了。經(jīng)典著作首推Tom Mitchell所著的Machine Learning，中譯本名為《機(jī)器學(xué)習(xí)》。本書成書于 1997 年，雖然難以覆蓋機(jī)器學(xué)習(xí)中的最新進(jìn)展，但對(duì)于基本理論和核心算法的論述依然鞭辟入里，畢竟經(jīng)典理論經(jīng)得起時(shí)間的考驗(yàn)。這本書的側(cè)重點(diǎn)也在于廣度，并不涉及大量復(fù)雜的數(shù)學(xué)推導(dǎo)，是比較理想的入門書籍。作者曾在自己的主頁上說本書要出新版，并補(bǔ)充了一些章節(jié)的內(nèi)容，也許近兩年可以期待新版本的出現(xiàn)。
另一本經(jīng)典著作是Trevor Hastie等人所著的Elements of Statistical Learning，于 2016 年出版了第二版。這本書沒有中譯，只有影印本。高手的書都不會(huì)用大量復(fù)雜的數(shù)學(xué)公式來嚇唬人（專于算法推導(dǎo)的書除外），這一本也不例外。它強(qiáng)調(diào)的是各種學(xué)習(xí)方法的內(nèi)涵和外延，相比于具體的推演，通過方法的來龍去脈來理解其應(yīng)用場(chǎng)景和發(fā)展方向恐怕更加重要。
壓軸登場(chǎng)的非Christopher Bishop所著的Pattern Recognition and Machine Learning莫屬了。本書出版于 2007 年，沒有中譯本，也許原因在于將這樣一本煌煌巨著翻譯出來不知要花費(fèi)多少挑燈夜戰(zhàn)的夜晚。這本書的特點(diǎn)在于將機(jī)器學(xué)習(xí)看成一個(gè)整體，不管于基于頻率的方法還是貝葉斯方法，不管是回歸模型還是分類模型，都只是一個(gè)問題的不同側(cè)面。作者能夠開啟上帝視角，將機(jī)器學(xué)習(xí)的林林總總都納入一張巨網(wǎng)之中，遺憾的是，大多數(shù)讀者跟不上他高屋建瓴的思路（也包括我自己）。
最后推薦的是David J C MacKay所著的Information Theory, Inference and Learning Algorithms，成書于 2003 年，中譯本名為《信息論，推理與學(xué)習(xí)算法》。本書作者是一位全才型的科學(xué)家，這本書也并非機(jī)器學(xué)習(xí)的專著，而是將多個(gè)相關(guān)學(xué)科熔于一爐，內(nèi)容涉獵相當(dāng)廣泛。相比于前面板著臉的教科書，閱讀本書的感覺就像在和作者聊天，他會(huì)在談笑間拋出各種各樣的問題讓你思考。廣泛的主題使本書的閱讀體驗(yàn)并不輕松，但可以作為擴(kuò)展視野的一個(gè)調(diào)節(jié)。
|
