统计学习方法

关键字：统计学习，模型，策略，算法，监督学习，分类问题

推荐：★★
难度：★★★

豆瓣链接：https://book.douban.com/subject/10590856/

本书是一本数学书，
是在知乎上，某位大神与《集体智慧编程》一同推荐的，
可以作为上一本书的理论基础。

本书开篇，学术味道很纯正，
使用了严谨的态度描述统计学习这个庞大主题，
提出了统计学习的三要素，模型+策略+算法。

主要思路如下，首先对问题建模，
然后使用一定的策略选取最优模型，
最后转换为一个步骤性的算法问题。

按照这个套路，
可以对各种杂乱的方法进行统一，
时刻知道自己当前处在哪个维度。

本书区分了监督学习，非监督学习，半监督学习，强化学习。
区分了生成模型，判别模型。
区分了分类问题，标注问题，回归问题。
给人一种清晰透彻的感觉。

随后的每一章，分别介绍一种统计学习方法，
感知机，k近邻法，朴素贝叶斯法，
决策树，逻辑斯谛回归与最大熵模型，
支持向量机，提升方法，EM算法，
隐马尔可夫模型，条件随机场。

它们各自都有适用的场景，
逐一进行数学化的论证和推导，
介绍每一个方法的由来和局限性。

不足之处可能在于，
本来数学书的可读性就远不如它的参考性，
有些人可能对数学不太感兴趣，
很多严格的推导我也没有跟进，
只是看了一下思路和结果。

总体看来，
本书可以看做一个200多页的数学基础附录，
随时阅读，查漏补缺。

机器学习领域，真是博大精深，
稍微深入下去，可能又要度过十年时间了。