南大周志华的《机器学习》这本书怎么样？
有没有人读了么？比PRML、ESL如何？适合什么段位的人读？ 如果你要深究理论的话，就看Shai Shalev-Shwartz的UML或Mehryar Mohri的FML，或者马腾宇写那个统计学习讲义，然后看前沿论文。如果你不偏重于理论，那就什么也别读，花一两周把python基础过一遍，看完吴恩达的课程后，把经典算法实现一下然后看论文复现论文再魔改，理论知识用到了再补。要找工作就赶紧找实习，做项目。
西瓜书是两样都没占，无论搞什么的都没必要看。 小明买了这本书，发现看不懂
小明觉得是自己没入门，去看了吴恩达，发现还是看不懂
小明觉得是自己数学不行，遂补了矩阵论优化随机过程信息论的基础，再来苦苦地啃这本书，期间无数次查阅csdn和论文，发现还是一头雾水
小明听说看统计学习方法可以帮助西瓜书的理解，于是转去看了统计学习方法，发现那本书虽然公式不比西瓜书少，但是竟然如此容易理解，公式的来龙去脉写得清清楚楚。
小明回过头来看西瓜书，设统计学习方法里的知识为集合A，西瓜书的知识为集合B，小明发现B∩A的内容大概能看懂，B-A的内容就又看不懂了
为了弄懂这些知识，小明看了pattern recognition and machine learning和foundations of machine learning
小明觉得自己机器学习的水平已经很高了，又拿出这本机器学习，随手翻开一页，可是转眼间便愣住了～
咦，这公式怎么来的?! 小明翻了翻前后文，却完全找不到这个公式的来由，思索良久，想起这个公式似乎在某本书上见过
小明还是没能理解这本书的逻辑，只是能根据书上的公式和名词，导引到曾经学过的某个地方
于是小明把公式剪了下来，做成复习卡片，又发现公式之间毫无逻辑可言，遂自己整理逻辑，比对模型之间的联系
小明的机器学习水平在看完西瓜书之后获得了长足的进步～ http://picx.zhimg.com/v2-8809996967a7eed3c824d9394fb8b7b2_r.jpg?source=1940ef5c
曾经花了一年时间推完了第二本和第五本的公式，之后顶会到目前为止还没被拒过。
博士4年A会一作4篇，毕业后找了教职就没投了，对比系里的目标期刊，A会只是给学生拿来练手用。方向小领域，做OR的，大家就不要对号入座了。 缺点:
[*]章节覆盖知识比较多, 但是大多都不够深入, 比如线性回归(正则化和广义线性模型一句话带过?)
[*]公式杂乱, 符号乱用, 不遵守规约
[*]逻辑混乱, 轻重不分, 比如决策树剪枝全篇都在讲西瓜, 居然没有公式支撑?SVM间隔, 对偶, 核, 软间隔穿插hinge损失? 正常逻辑不应该是硬间隔, 软间隔, hinge损失最小二乘, 核函数吗? 次序混乱搞得我以前会的知识都蒙了, SMO一页带过, 罗列了几个公式, 根本没讲清楚
[*]其它书里没有的东西, 西瓜书里大概率也没有, 其它书里有的, 西瓜书里也不一定有;其它书里你看懂的东西, 回到这本书里大概率又会懵逼(公式符号不标准, 大篇毫无意义的叙述, 叙述逻辑混乱)
优点:
[*]彩印, 看起来赏心悦目
[*]虽然叙述不专业, 但是可以作为课外读物来理解书中讲的一些例子(比如决策树剪枝), 以此来加深对相关算法的感性认知, 但也仅此而已, 千万不要陷入这本书的公式罗列里去. 要深入学习, 市面上有大量的经典书.
不知道为何那么多人说这本书比李航老师的<统计学习方法>好, 个人觉得, 论专业程度, 西瓜署远远不及, 讲得也不够清洗.
一句话概括,那就是: &#34;简单的不用他写得如此通俗，也能易懂；不简单的他想通俗，可惜易懂的效果没起到，反而变成蜻蜓点水，让人更难懂了。&#34; 在文末更新了一下答案，一定要看：
http://picx.zhimg.com/1c20bd82e1045b7320e9ade4215ea3ad_r.jpg?source=1940ef5c
书是昨天到的。
我去取的快递，到手之后交给同事打开，因为同事是这本书的contributor之一，周围没有人比他来拆开更合适了~p.s.拆书的一刻还引起了周围人的围观，搞个大新闻
然后翻看了目录、部分章节、后记。初步看下来的印象，能感觉到周老师对于这本书从内容到编排的用心。简单地说几点：
从内容来讲，这本书是非常适合用来做为机器学习课程教材的。根据目录看下来，感觉1~9（or 10）章适合本科生课程，具备基本的微积分、线性代数、概率论的知识就可以（大概本科三年级）。后面适合更高年级阅读。“应该有一本国内本科生适合看的中文机器学习书籍”，这也是周老师的本意。
更具体的，最重要的公式推导具体到每一步，十分详尽。还有每一章节后面的参考文献也十分详尽。
从编排来看，书中将注释留在了侧面，给阅读带来了方便，同时侧面的空白位置适合做笔记或者自己的推导，这是设计之初的想法。
不过最戳动我的是后记，周老师讲了他写书的初衷、成书的过程等，文字很具有吸引力，能感觉到周老师的文笔也是极佳，使得我对于这本书的内容的可读性很有信心。建议大家书到手了也看一下后记，特别是周老师在20年前，初求学于这一方向的故事。
同事就是书中很多插图的作者，周老师重点致谢的那位，他拿出书的那一刻，能感觉到他的开心。
昨天要去修电脑，书就扔在了公司，周一补上更多的图。另，清华大学出版社也放出了样章（
tsinghua.edu.cn 的页面），具体可见周老师的微博。
最后，成书历时两年，不过做为第一版，虽然经过了非常非常细致的校对工作，难免也会有所疏漏，对于更正，希望大家阅读的时候能有所记录，后可提交于相关人员。
--------分割线-------
书看了一多半下来，个人觉得最精彩的地方，其实是每一章的“阅读材料”一节（在参考文献之前）。
往往短短的不到一页的这一节，是对应章节所讲述的领域的一个简短的综述（survey）。这对于一个有志于深入机器学习的人的最好的资料，在这个领域的历史中每一篇关键的贡献者及其研究著作都会在这里给出，只要“按图索骥”，就能了解这个领域。而只有清楚每一篇重要的文章及其贡献，我们才会了解到每一个领域的研究与发展脉络（我的另一个答案
深度学习如何入门？ - 唐家声的回答就是按照“遵循历史的进程”这样的方式写出）；我们才能回答，“你所做的工作，到底是有无意义的”这样的问题。
也只有周老师这样十几二十几年的深厚的学术功底，能写出这样的简短而有力的内容。这真的是新的机器学习学习者的幸福。
以上。
页:
[1]