番外：机器学习和NLP方面正在读的书和想读的书

正在等待办理手续，比较慢，总结一下学过的书和想读的书吧。我这个人记性一向不好，尤其是那些不在我体系范围内的，像今天听了一首歌，明天可能就一点想不起来了，包括调调和歌名还有歌手。还经常忘了拿各种东西，把单反借给哥们，结果没拿电源线等等诸如此类。

我肯定是疯了。

正在读的书：

lecture notes by Andrew Ng【机器学习】

无图，只好把首张页面放上来了。如果你是一个希望一窥机器学习或者入门的弟子，那么还等什么呢？课程讲义+公开课学习，将不会枉费你花掉的功夫，肯定收获特大。

作者从frequetist的观点诠释了机器学习的部分内容，但是内容有点散，不适合形成机器学习的体系观念在脑海中，不过适合入门看，还有很多东西都很好实现，可以自己动手做做。

pattern recognition and machine learning【机器学习】

经典必读，作者大部分时间从probability，Bayesian的观点诠释了机器学习。尤其是前四章，是理解机器学习之基石，应该精读多边，经常性每读一遍有一次收获。不是入门书，可以通过学习公开课先获得一定的先验知识，再来学习，会发现很大不同。

the elements of statistical learning【机器学习】

 

话说这本只看了部分，还有很多没看呢，但是还要负责任的推荐一下，本书讲的比较基础，偏统计，有点难懂，不过适合于读完上一本pattern recognition and machine learning的人继续进阶，可能会容易很多。

数据挖掘中的新方法支持向量机【机器学习】

难得一见的国产好书，把SVM机器理论讲的特别透彻，这不仅是在讲SVM，还是在讲机器学习。有很多数学的证明在里面，建议都看一看，否则就没意思了。

foundations of modern analysis【数学】

讲述了数学分析的很多内容，measure和各种space，非常好的书，台湾国立交通大学实变函数论课程的课堂书籍。适合配着交通大学的公开课一起看，否则很难懂。

实变函数与泛函分析【数学】

实变函数论相关的另一本书，只看上面英文的可能难懂，配合着看吧，本书还是比较不错的。

Speech and language process【NLP】

本书的一大特点就是真TM厚！！这是我研一上学期读过的书，最后几章还没看。

 

想读的书：

Information Theory, Inference, and Learning Algorithms【机器学习】

pattern classification【机器学习】

Probabilistic Graphical Models Principles and Techniques【数学】

The nature of statistical learning theory【机器学习】

 

还有一些暂时忘了的，以后补上。其实写一下发现，我看过的书也不多。不过老板要是知道我还要读这么多书，肯定疯了。

当然读书是一部分，实践也很重要，尤其是对于学习computer science的同学，实践才能加深理解。