具体描述
《机器学习》展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。《机器学习》综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。《机器学习》可作为计算机专业 本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。
作者简介
TOM M.Mitchell是卡内基梅隆大学的教授，讲授“机器(AAA)的主席：美国《Machine Leaming》杂志、国际机器学习年度会议（ICML）的创始人：多种技术杂志的撰稿人，曾发表过许多文章，出版过多本专著，是机器学习领域的著名学者。
目录信息
前言
第1章 引言
第2章 概念学习和一般到特殊序
第3章 决策树学习
第4章 人工神经网络
第5章 评估假设
第6章 贝叶斯学习
第7章 计算学习理论
第8章 基于实例的学习
第9章 遗传算法
第10章 学习规则集合
第11章 分析学习
第12章 归纳和分析学习的结合
第13章 增强学习
附录 符号约定
· · · · · · (收起)
读后感
讲PAC的7.2章节里 英文版P207原文 This definition implicitly assumes that the learner's hypothesis space H contains a hypothesis with arbitrarily small error for every target concept in C. 本来是想表达 虽未明讲，但该定义其实做了一个假定，即对于C中每个目标概...
评分这本书有点跟不上时代了 把机器学习归结为在hypothesis space的search这一观点还是很重要很基本的
评分如题。这本书为什么没有讲到支持向量机怎么没有呢？还是我没有看到？理论上这应该有一章来描述才对呀。之前在别的地方看到svm，有些模糊，想看看这本书怎么写的，结果居然没有。请问是在第几章？如果有的话。 另外，这本书我觉得写的非常拗口，虽然有人说这本书写得非常基础，...
评分虽然书的出版日期挺早，但是内容还是非常好的。现在很多流行算法的基础都有讲述。刚看了前六章，其中对决策树，ann的介绍很简洁明了也很容易就看清来龙去脉了。只是翻译的有些问题，貌似作者对统计不是很了解，t检验被翻译成t测试了：（不知英文版怎样有机会也要看一遍才好
评分http://www.cs.cmu.edu/~tom/NewChapters.html 要注意，第一版是二十年前写的，跟现在相比少了很多东西。所以第二版完全是重新写，除了标题没啥相同的部分。 =============================================================================
用户评价
那数十页的翻译。。。TT
评分ML的经典之作
评分早期的书，有的地方太简略了
评分作为一本稍有过时的书，本书用了大量的符号逻辑推演来讲述机器学习的算法。书很薄，所以废话很少，每一章都值得细细地去读上三四遍，但是个人建议可以把一些章舍去去读其他的书，个人建议可以把第五章，第九章和11,12章给跳过，个人觉得性价比很低。
评分好像学通了的样子⋯⋯
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有