0 大家好，今天小编关注到一个比较有意思的话题，就是关于统计学习方法李航pdf的问题，于是小编就整理了2个相关介绍统计学习方法李航pdf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？
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
建议直接从 scikit learn 官网，keras 官网开始学习，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.
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！
机器学习有哪些学习路线？
首先，你要了解算法的过程，可以专门买一本数据挖掘方面的书来看，其次，你说你懂Python，那么你要学习Python机器学习包，比如，numpy，pandas，skearn，matplotlib等库，要熟悉各种算法接口，尤其是算法类的参数，最后是提升，你要懂算法原理，只懂算法过程只能算是入门，但是要提高自己，必须要冻原理，算法原理涉及的数学知识比较多，统计学，概率学，微积分，代数等等，真正搞懂各个算法原理并不是容易的事，但是你说你有数学基础，那么学这些其实并不算很难。
当然，人工智能的发展，需要你对深度学习也要会，还要会spark分布式计算，这些可以慢慢来，工作中提升。
没有什么捷径，只有不断学习学习😊
到此，以上就是小编对于统计学习方法李航pdf的问题就介绍到这了，希望介绍关于统计学习方法李航pdf的2点解答对大家有用。