统计机器学习应用,
摘要：
大家好，今天小编关注到一个比较有意思的话题，就是关于统计机器学习应用的问题，于是小编就整理了2个相关介绍统计机器学习应用的解答，让我们一起看看吧。《神经网络和机器学习》，PRML，... 大家好，今天小编关注到一个比较有意思的话题，就是关于统计机器学习应用的问题，于是小编就整理了2个相关介绍统计机器学习应用的解答，让我们一起看看吧。
《神经网络和机器学习》，PRML，周志华的《机器学习》和李航《统计机器学习》请各位推荐学习顺序？
建议直接从 scikit learn ***，keras ***开始学习，有代码例子，里边都附带训练数据集。
不要以英语不好为借口，搞机器学习，流行的库都是英文的，真正做相关研发，读懂api 是必须的。
至于学习顺序，入门网上有许多 tutorial, 和 introduction.
不推荐《机器学习》西瓜书
缺点:
1.章节覆盖知识比较多, 但是大多都不够深入, 比如线性回归(正则化和广义线性模型一句话带过?)
2.公式杂乱, 符号乱用, 不遵守规约
3.逻辑混乱, 轻重不分, 比如决策树剪枝全篇都在讲西瓜, 居然没有公式支撑? SVM间隔, 对偶, 核, 软间隔穿插hinge损失? 正常逻辑不应该是硬间隔, 软间隔, hinge损失最小二乘, 核函数吗? SMO一页带过, 罗列了几个公式, 根本没讲清楚
4.其它书里没有的东西, 西瓜书里大概率也没有, 其它书里有的, 西瓜书里也不一定有;其它书里你看懂的东西, 回到这本书里大概率又会懵逼(公式符号不标准, 大篇毫无意义的叙述, 叙述逻辑混乱)
优点: 彩印, 看起来赏心悦目
这三本书我都看过，其中难度最低的是周的机器学习，阁下问题中的《统计机器学习》应该是《统计学习方法》吧，是一本需要比较强的数理功底的书，主要要掌握微积分，概率论和线性代数，看起来才不会太过吃力，建议放在最后。
因为西瓜书偏简单，偏重思想，对于数学公式的数量要比《统计学习方法》少，所以我个人认为可以用周志华的书作为入门，好好理解一下算法的主体思想，逻辑，然后再去看李航的书，会简单一些，至于神经网络与机器学习我个人认为可以第二本阅读或者放在最后，它的数学公式我觉得比李航老师的更详细移动，如果你想先仔细学习数理内容那就先神经网络与机器学习，也可以把它当做最后总复习的时候使用。
如果为了应付面试，李航老师的书应当作为主要的，面试机器学习工程师的话基本就是推算法，写代码。
如果是为了学习，我个人经验是去技术博客里多搜索一些细节，比如关于L1 ，L2正则，梯度下降，随机梯度下降，批量梯度下降，再比如深度神经网络中梯度弥散和梯度爆炸问题，以及gbdt，xgboost这些内容，其实书上讲的很有限，书上的一章三四十页最多了，然而仔细展开的话远远不止，如果真想做这个方向，算法的原理，细节应当炉火纯青，这样才能在实务中针对实用的模型的优势劣势，出现的问题进行考察。
共勉！
现在的机器学习等于统计学吗？
我认为说深度学习为包装后的统计学有一定道理。以卷积神经网络resnet为例，每个卷积核相当于一个滤波器，只提取它所表征的特征，每个卷积核在图象上扫过一次之后，生成一个feature map(我认为就是抽象层面的图像)，然后n个卷积核，就产生n个feature map，这就是一张抽象的图片，然后再重复这个过程，只不过随着层数的加深，每个卷积核所提取的特征更加抽象，我们无法理解罢了。经过一层层变换之后，最终生成了n个feature map，每个feature map表征一种抽象特征。最后经过global ***erage pooling，生成一个n维向量，这个向量的每一维表征一个feature map（相当于用均值来代替）。从这个层面讲，最后的特征向量有点类似于特征直方图，每一维表示对应特征的强度。那么说深度学习是包装后的统计学还是有一定道理。
但是，深度学习所提取的特征都是经过大量数据（比如图片）调整得到的，更适应这批数据，所以会比人为设计的特征效果好。
这恰恰揭示了为什么深度学习迁移能力差。比如我有一个类别的图片全部是横着放的笔，训练得到一个模型，当有一张图片，里面的笔是竖着放的，很有可能模型就无法识别，因为横着的笔的图片所具有的边缘特征，都是横着的，而竖着的笔的边缘特征是竖着的，统计差异就很大了。
就目前工业界广泛使用的模型来说，离真正的人工智能还差距甚远～
到此，以上就是小编对于统计机器学习应用的问题就介绍到这了，希望介绍关于统计机器学习应用的2点解答对大家有用。
