机器学习的读后感大全

《机器学习》是一本由（美）Drew Conway / John Myles Whit著作，机械工业出版社出版的平装图书，本书定价：69.00元，页数：320，特精心收集的读后感，希望对大家能有帮助。

《机器学习》读后感(一)：还算不错的有关机器学习方面的书

对于机器学习，一直困惑于缺乏实践，缺少可操作的入手点。也一直在读理论理论，有种总是在打敲边鼓的感觉。本书举了不少例子，基于R语言的，终于看到一些实际的例子了。或许以后可以找出其中一个例子进行学习。总体来说，这本书还行，还是有可读性的。

《机器学习》读后感(二)：还算不错的有关机器学习方面的书

对于机器学习，一直困惑于缺乏实践，缺少可操作的入手点。也一直在读理论理论，有种总是在打敲边鼓的感觉。本书举了不少例子，基于R语言的，终于看到一些实操的例子了。或许以后可以找出其中一个例子进行学习。总体来说，这本书还行，还是有可读性的。

《机器学习》读后感(三)：非常满意的一本书

书读了近半本，回来书评。

这本书内容我认为很好，排版也很不错。排版不多说，在同时接触与处理数学公式、代码与伪代码、众多图表时难免会有一些头大，但这本书我认为是我见过很多书中排版最容易接受的一种；

内容上，当初买时的初心不少，想入门机器学习，掌握python的代码实现，入门数据分析，还想为建模做准备，这本书无一例外全部涵盖到了，从内心来讲是非常满意的。

同时给其他想买的人一个建议，最好在具备一定python编程基础和最基本的数学功底(包括高数、线代、概率论)后再入手，不然在理解概率论上会很费劲，理解代码又很费劲，进而容易选择放弃。给作者大大真心点个赞。

《机器学习》读后感(四)：kaggle案例实战班视频下载

这本书还可以，虽然比较基础。

如果想要贴近实战，我这里分享一个实战案例课程https://link.zhihu.com/？target=https%3A//pan.baidu.com/s/1Xr20V3sImjDMcQxbkXv8yQ，从头到尾，代码实操讲解，真实数据。

本书的三个关键词，python，机器学习和kaggle都是极其热门的，而且应该是市面上介绍kaggle的首批出版书籍。本书有数位牛人写推荐语，作者写书的态度也是认真的，但是对于入门python，入门机器学习都不太适合，市面上有更好的书籍。对于入门“如何用python做kaggle上的一些入门机器学习项目“，作者做了积极和值得肯定的努力

《机器学习》读后感(五)：机器学习

这本书为机器学习技术提供了一些非常棒的案例研究。它并不想成为一本关于机器学习的工具书或者理论书籍，它注重的是一个学习的过程，因而对于任何有一些编程背景和定量思维的人来说，它都是不错的选择。

——Max Shron OkCupid

机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术。本书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。

全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市场指数，空间相似度：用投票记录对美国参议员聚类，推荐系统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。R语言非常适合用于机器学习的案例研究，因为它是一种用于数据分析的高水平、功能性脚本语言。

本书主要内容：

·开发一个朴素贝叶斯分类器，仅仅根据邮件的文本信息来判断这封邮件是否是垃圾邮件；

·使用线性回归来预测互联网排名前1000网站的PV；

·利用文本回归理解图书中词与词之间的关系；

·通过尝试破译一个简单的密码来学习优化技术；

·利用无监督学习构建股票市场指数，用于衡量整体市场行情的好坏；

·根据美国参议院的投票情况，从统计学的角度对美国参议员聚类；

·通过K近邻算法构建向用户推荐R语言包；

·利用Twitter数据来构建一个“你可能感兴趣的人”的推荐系统；

·模型比较：给你的问题找到最佳算法。