1樓：
這學期學完了1～9章，期末臨考前又預習了一遍233，預習這本書時對這本書有很多抱怨，推導不細，讀不懂等等，但當我認真過了一遍這9章之後，我體會到了周志華老師的用心、態度和努力，相信老師在生活中也是一位很好的人。
個人覺得用心的地方在於：一是這本書很寬，在兩側留足了記筆記的空白地方。二是兩側很多地方加入了注釋，加入了老師想補充的話，把書中的很多知識點聯絡了起來。
三是每章後面都有閱讀材料，了解很多背景故事。四是整本書一氣呵成，從前9章就能感受到很多章之間有聯絡，相信看完後面的章節一定會更能理解老師的思想。
2樓：zYx.Tom
但觀已過，勿論人非。
書好不好，主要是看自己是否合適。
從這麼大的銷量就知道這本書肯定有好的地方。
如果你不喜歡這本書，放棄就好了，只是國內可能找到的參考書太少；
如果你喜歡這本書，就繼續在她的上面添磚加瓦吧，比如寫讀書筆記，補全推導過程，會為同樣喜歡這本書的人帶來幫助。
3樓：
廣度上挺好，但是細節上欠缺嚴謹的介紹和推導，有可能自己水平不行吧，看的雲裡霧裡，不過如果自己本來水平就很高的話何必讀這本書？另外覺得書整體的組織上有點混亂
4樓：核偏最小二乘
實際學習中的個人感受：
機器學習中文書籍首推李航的《統計學習方法》。
有志於未來系統研究機器學習的同學，應當以PRML和BRML兩本「聖經」為入門教材。這兩本書通篇圍繞貝葉斯，有豐富的公式推導。
5樓：
額，看了前幾章就送人了。有點感覺淺嘗輒止的，對快速了解機器學習有些幫助。內容感覺理論不如模式識別深入和詳細，應用不如英文那些小冊子或者 blog 的使用例項。
6樓：
不建議初學者！
本人自認為有一點數學基礎(考研數學成績尚可)，然而前幾十頁就把我看的一頭霧水，很多公式跨度很大，不知怎麼推導出來的，很多符號和表示式的形式高數里也沒教過。
作為乙個想跳到機器學習行業的上班狗，時間寶貴轉行不易，覺得這書浪費了我兩個多月時間。
7樓：李李
反對高票一片讚美聲，個人認為，這本書只能說是乙個概括性地介紹了機器學習，很多地方推導等僅僅一筆帶過，搞得很像直接給你乙個工具而不告訴你工具是如何建造出來的
不如CS229完備些，對於想要深究裡面數學知識的人來說不是一本合適的書
8樓：
作為入門書，不夠詳盡。
作為工具書，不夠深入。
作為科普書，不夠友好。
唯一的用途，可能就是作為教科書，一邊聽老師講解，一邊加註筆記（空白多）。
9樓：
僅就我個人學習經驗（非計算機和數學科班，從零開始）來說：
明顯李航博士的統計學習方法更適合入門，注意我只是說入門，每個模型公式推導非常詳細，只是礙於篇幅，僅僅是講了幾個常用模型，也沒有具體應用。
周老師的機器學習一書涉及範圍更廣，也更偏於應用。但是我非常不理解上面的大牛說「推到詳細」。李博士的統計學習方法我能照著書本從頭到尾一步步推導出來，但是周老師的這本書，對於乙個新手來說，真能自己跟著推導？
有些步驟跳躍很大，沒有基礎根本反應不過來。
10樓：
我以某理工科985院校計算機考研，數一和專業課的成績均排第一的身份來說，我認為我可以代表大多數機器學習入門初學者的計算機和數學水平，我絕對不是拖後腿的。
這本久負盛名的書我悉心研究了一段時間，純自學。
然後我得出了乙個結論：
這是一本天書。
前面說適合初學者拿來自學的，請問你們是認真的嗎？你們在逗我？
個人愚見：這本書就像乙個站在山頂的人，對全域性的乙個系統的，綱要性的註解。對機器學習已經達到一定層次的人來說，它是不夠的，因為涉及不到太多的細節。
但是，如果把機器學習比做一座山，可能我這種初學者想要的是登山所需的一雙靴子，一架梯子……
很不幸，這本書更像是講山體結構和土壤分布的。
11樓：最優解
這個問題被很早提出了，這本書我入手已經好久了，大概看完一半的時候我放棄了，我對比了一下李航老師的書。我覺得周老師的書可以是已經對機器z學習演算法熟悉並有一定實踐之後的"筆記"來看。因為我水平很淺，對於我這樣的人，我更推薦李航老師的書。
12樓：胖胖胖胖胖胖胖航
作為乙個真的初學者來說，我強烈懷疑這個真的適合初學者麼？ 我還是覺得李航博士的統計學習方法才是真正的入門用書，講的精簡，能讓人迅速的對機器學習有乙個大概的概念。這本書翻翻目錄就知道有多雜。
我倒覺得適合已經入門然後用來回顧的書籍。但是說具體有多深入呢？感覺也並不是特別深入。
關於很多值得推敲的細節也並沒有提出來。 ——來自乙個初學者的淺顯認知
13樓：加新帝
感覺像是乙個科普類的書籍，有些章節寫的還不錯，有的就不敢恭維，個人來看在最後一章強化學習部分讀起來雲裡霧裡似的，可能是我太low。不過總體還是不錯的，可以作為入門書籍，深入的話可以看PRML，ESL等。
14樓：羅永錘
周志華這本書對我的意義非常大，就是從這本書開始，我痛下決心全面轉向英文教材，不再看中文教材。然後就發現開啟了乙個新世界的大門。
15樓：
匿名反對高讚的回答
這本書最大的缺點就是是一本學院派教科書
對於自學機器學習的人來說
此書各提到了機器學習的方方面面卻沒有詳細說清楚所以讀這本書感覺有些生硬
相比之下ISLR讀著要順暢不少
用一句話說：懂的人不用讀，不懂的人讀了也不太明白為什麼正如豆瓣上的書評所言
這本書應該沒你們說的那麼好
16樓：阿德里安
為什麼沒有人對這本書提出批評？
這本書作為無論作為教材還是機器學習的第一本書都是不合適的。這門課你考100分也還是對機器學習一知半解甚至產生牴觸。
這完全就是機器學習界的譚浩強。
想學習機器學習的同學，建議去Coursera，那裡有世界上最優秀的教授帶你入門機器學習！
17樓：瀚海愛鳥
編排體系有問題。拿「線性回歸」來說，它真的只講線性回歸，而對於嶺回歸和lasso回歸閉口不談，讀者讀到11.4節才發現這兩個兄弟的身影。
再如PCA，跑到了第10章，實際上PCA不是很難，屬於預處理部分，章節應該前提。這樣看，10和11兩章實際上位置都不對頭。
詳略失當也是常見問題，以「神經網路」來說，對於BP神經網路著墨太多，而對於RBM和DBN只是點一下，CNN和RNN就更少了。畢竟這一輪ML的熱潮，還是從DL帶起來的，這部分理所應當的詳細。
這本書覆蓋範圍廣（但是不夠深），公式少（對應缺點是理論太淺，缺乏教科書的樣子）。如果系統看過PRML之類的，就沒必要買這本書浪費錢了。這本書基本上就是個科普入門水平。
18樓：
這個回答下面好評很多，我來個比較personal的差評。一本書沒有絕對的好不好，這取決於你理解東西的方式，因人而異。周志華的書我覺得很多地方講的不清楚，試圖用形象直觀的說法講出來但實際上並沒有說明白，相反李航和esl看起來就舒服得多。
19樓：
神作啊，這本書是機器學習最好的入門書了，其實對於有了一定積累的同學也值得一讀，這本書體系很完整，俘虜和參考閱讀資料也很豐富。
不管你處在哪個階段，這本書都值得擁有
20樓：Machine Learning
今天周老師獲得了ACM Fellow 。ACM、AAAI、IEEE，成為 AI 相關領域「大滿貫」會士中國第一人。好雞凍^0^
21樓：運動碼農
覆蓋面沒話說，也對一些知識有了初步的理解。
但說實話因為覆蓋面比較廣，一些推導就省略了不少，若能減少覆蓋面，集中講解幾個演算法，就更好了。
比如CRF，HMM只有兩個子章節，導致看不太懂。
個人比較喜歡看完整的推導加十分詳細的講解。
總之就是一些地方能再詳細講解下就更好了。
22樓：Hurrytap
我們模式識別老師其中乙個（博士生）推薦，另乙個院裡的老師用的classification還沒看過，只覺得封面小清新………
23樓：梅林律師
要數學基礎。
學過數學工作過多年沒碰了的要注意把教材翻出來，一般看這本書一邊看教材。
想當年我的線性代數、矩陣論、概率論還學得不錯的，數學考研110+的，十年沒用，看著偏微分的符號還發了會呆才想起來是什麼。看這本書還真是有點吃力。
24樓：錢水
400多頁，毫無廢話，還讓有的人覺得不夠深，可想而知這本書的覆蓋面到了何等程度！非周老師這樣的大牛，不可能提供如此完備的知識體系。從這個角度看，這本書為讀者研讀機器學習能起到「指路」作用，這應該是周老師的初衷吧：
「本書的目的，是作為讀者初窺機器學習大廈的「初級地形圖」」（引用自周老師主頁 Zhi-Hua Zhou's Publications
25樓：
個人感覺這是一本適合搞過一段時間ML，回頭梳理頭緒和思想的書，書中主要講的是演算法的思想，不涉及詳細的公式推導。
跟PRML結合著看是乙個不錯的選擇。
26樓：there
先占個坑~~~~~
第一章我個人覺得第一章的關鍵在於下面3個問題：
1.機器學習的本質就是學習演算法，乙個利用已有資料學習出模型已判定未知資料的演算法。
2.學習模型=搜尋假設空間
3.沒有免費的午餐定理：任何乙個學習演算法都不能在所有問題上比另外乙個演算法好。（關鍵是它會基於兩個假設：
1.要考慮所有的問題：對應於與書中：函式空間f取值為任何函式2.所有的問題出現的概率還是一樣：對應於書中f是均勻分布的）
27樓：
以前完全沒接觸過機器學習，上個月無意中拿到手裡翻了7，8個小時的樣子。感覺直覺講的很好，每一章做什麼，為什麼要有這一章都講的很清楚。即使只有三高知識，也可以翻完大部分，而對機器學習怎麼做，有哪些問題，是用什麼方法處理的，方法處理背後的idea有個大致的了解。
28樓：陳亮
非常適合初中階學者，細節概念掰扯的特別清楚，有計算機基礎想從事機器學習類工作的同學們，可以從這本書出發。
PRML和EOSL，屬於比較高階的教程，如果想讀懂，能夠完成一定量的課後習題，花費的心思會非常多，我有好幾次被公式推導卡殼的經歷。
最最重要的是：周志華這本書是中文的！雖然做技術，不該覺得e文有什麼麻煩，但是，啃完乙個大部頭純e文的，實在是燒腦和費時。
至今好像沒看到這兩個大部頭的中文版，誰知道有了，可以提醒我一下。我要買一套，燒了，送給過去的自己。
29樓：松鼠山銀槍霸霸王
花了一周時間仔細讀完，覺得和andrew ng的machine learning講義比還是有不少差距的，能讀懂英文的還是推薦從Andrew ng入門。
感覺周的書為了科普而很多內容講得不清不楚的，點到卻不點出的感覺差評
30樓：
非常好的入門教材，內容全面，適合各種數學水平的初學者。
ESL門檻太高，沒統計基礎和矩陣分析基礎基本就不用看；不過內容更加深入模型的背後本質，適合作為phd的教材。
機器學習方向，南大周志華組lamda實驗室vs申請國外cs？
我覺得LAMDA提供了乙個很好的科研環境，這是毋庸置疑的。最簡單的地方 錢夠，現在搞深度學習怎麼也得一人幾塊GPU吧，在這種硬體條件方面，LAMDA不會讓學生吃苦的，而某些學校的組裡連一人都分不到一塊GPU。當然這是乙個說明LAMDA硬體條件的乙個case。LAMDA的硬體條件與環境氛圍我想在國內也...
聯邦學習這本書怎麼樣？
Zeap 這本書寫的還是非常清楚的，看看目錄就大概明白，這本書對於有些機器學習的認知，然後想系統了解聯邦學習和入門的人來說還是蠻值得推薦的。總的來說從隱私安全激發聯邦學習的動機 第二章 然後介紹聯邦學習之前與之較類似的相關領域分布式計算 第三章 之後按照楊強老師對聯邦許學習的三大分類，逐次介紹了橫向...
機器學習（周志華）第2 3 4節中，代價曲線的理解？
Honfung.Wong 我想講人話，也就是用不那麼 數學 的方法來直白地解釋下這些問題。顯而易見，書中公式 2.25 定義了 是關於 FNR FPR 和正例概率 p 的一次函式，圖 2.5 上左右端點分別是 p 0 和 p 1 的情形。故易得出結論。圖 2.5 中，橫軸為 正例概率代價 縱軸為 歸...