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。