数据科学与机器学习的读后感大全

《数据科学与机器学习》是一本由机械工业出版社著作，平装出版的图书，本书定价：2022-12，页数：，特精心收集的读后感，希望对大家能有帮助。

《数据科学与机器学习》读后感(一)：算法学习-个人阅读记录

《数据科学与机器学习：数学与统计方法》这本书大量的数学和统计学的知识。如果对于非专业的同学，阅读起来有一定难度。我个人非数学或统计专业，对于此书，我个人入手此书的目是为了了解机器学习的一些基础知识。因此本书评仅作为个人记录，作为点评的话可能有些水平不足。 书中分章节对蒙特卡罗方法、无监督学习、回归算法、正则化和核方法、分类、决策树和集成方法、深度学习。这几部分的知识做了介绍和案例，并且附带习题供读者可加深了解。接下来简单做一下书本各部分总结。 目前阅读了蒙特卡罗、回归、决策树这部分。也是工作的需要，所以优先看。对于蒙特卡罗，书中详细介绍了抽样、采样、以及如何优化做了全方面介绍，并且附带大量的代码，其中优化部分同步。书中的代码和习题让我在理解这些模型名次、算法有了一些概念和个人理解。对于回归算法，原先有一定了解，所以看起来很快，书中介绍的很详细，适合新人阅读，同步code非常有必要。对于决策树，印象深刻的数据预处理、分裂规则、以及缺失值这部分让我对决策树有了更深的了解。在完成习题后，会有一种柳暗花明又一村的体验。 简单记录下阅读体验，还未全部看完，目前看完这部分先记录，后续增加其他章节的内容。从目前的阅读情况，推荐入手。

《数据科学与机器学习》读后感(二)：拒绝黑箱

我们正处于数据科学和机器学习蓬勃发展的时代，快速增长的海量数据给我们提供了源源不断的数字资源，但是我们在享受技术的同时，并未理解这背后的技术奥秘。对于很多人来说，机器学习就像是黑盒。但是我们也想知其所以然。经典著作西瓜书的作者周志华曾经提出，研究的 目的是发现新知识、发明新技术，而研发则是利用已知的知识和技术进行研制、开发。我是医学生，我见证了很多同学的开题从临床干预，转为了机器学习。新技术的引入，改变了我们的毕业课题，相信未来也会改变临床实际。

本书讲的是数学与统计方法，相较于普通的机器学习的书，它更侧重于探讨现代机器学习技术背后的数学思想，给出了主要定理和后续推导的证明，非常适合学有余力的同学去深挖方法学背后的原理。本书还提供了大量python代码，可以帮助我们读者更好地理解数学和统计学知识，为数据科学中丰富多样的思想和机器学习算法提供支撑。

书中首先介绍了数据的相关概念，阐述了统计学习、蒙特卡洛方法、无监督学习的相关内容，接着探讨了回归方法、正则方法和核方法，然后论述了分类问题与决策树和集成方法，最后介绍了深度学习的相关内容。其中蒙特卡洛方法等很多内容本来就是作者的原创成果，由作者向我们来介绍，再合适不过了。本书就像是一个故事，由浅入深，逐渐发展。并且python本身就是机器学习算法界最流行的语言，对于读者非常友好。

《数据科学与机器学习》读后感(三)：《数据科学与数学的完美结合》

最近阅读了兹德拉夫科的一本关于数据科学和机器学习的大作-《数据科学与机器学习:数学与统计方法》。

先 简约的概括一下书籍的主要内容：第一章节是关于数据可视化的，第二章介绍了统计学的相关知识，讨论了监督学习和非监督学习的相关技术；第三章的主要介绍了蒙特卡洛算法，蒙特卡洛可以用于模拟、估计和优化；第四章讨论了无监督学习；第五章相应的讨论了监督学习；第六章发展了核方法和正则化的强大概念；第七章阐述了一些常用的分类算法，一般来书分类任务是属于监督学习框架，这些分类算法包括包括贝叶斯分类、线性和二次判别分析、k近邻和支持向量机等等；最后一章节研究了神经网络和深度学习的工作方式。

这本书有一点不同的是在每一章的末尾都提供了习题，这些习题可以帮助我们很好的检测所学的知识，夯实基础。

最近很火的ChatGPT带给我们一些思考，单个学科的发展不足以撑起大规模应用的诞生。 其横空出世还因为它们自然地融合了许多不同的学科，包括数学、统计学、计算机科学、工程学。

数据科学为理解和处理数据提供了必要的语言和技术，在数据科学的帮助下，我们很好的获取数、分析数据、展示数据和利用数据。机器学习在此基础之上与数据科学达成紧密的联系 ，利用机器学习我们可以从数据中学习到“人眼”总结出的知识。另外要说的是《数据科学与机器学习：数学与统计方法》这本书是以数学和统计为导向的书，大部分重点将放在建模和分析上，所以要求读者有一定的数据基础和数据科学的基础。