机器学习这本书最早是在大二上学期接触到的，当时在与导师聊天时赵老师强烈推荐，于是借了过来，看了第一章的感觉是不可思议，怎么也无法相信西洋跳棋可以通过这种方式学来。后来由于其他的原因，就非常失败地把这本书停留在了第一章。
在下学期，对神经网络感兴趣想进行初步了解，又从图书馆借了过来翻了第四章，顺便看了第三章，因为当时跟着听人工智能课时讲到了决策树。
真正决定要把这本书坚持下去是在暑假，当时在某一个晚上看第五章时，突然有了久违的读书的感觉，于是已经有些麻木的我又拿起了纸和笔，一通推导公式后，又开始了天马行空的想像，于是这种状态一直持续到我结束了最后一章──加强学习。
读书的过程中，我对五花八门的算法产生了怀疑，本身在解决问题来看，不同算法的确有不同作用，不过在思想上来看，我们往往是有了很多的算法而没有发现到头来它们中的大多数都是等价的，它们有着一样的归纳偏执、一样的搜索空间所以也有一样的局限性。比如EBNN和二输出的神经网络。于是我自以为已经达到了一定的境界，兴奋地到处找人讲这个问题，终于在与朱师兄聊天时，我发现我原来还是停留在表层，渴望的深度，我还是没有达到。
其实直到现在我也觉得Mitchell的机器学习是一本入门书，书上的很多公式都没有严密的推导，Mitchell更多的是直观地分析这个公式为什么成立而不是去推导。但也正因为这一点，你会发现自己总是能从大师的言论中得到启发，所以这本书主要在于启发，它提供给你h函数，但最终的解你要自己设计算法去搜索。前几日借了一本现代智能算法，其中讲蚁群算法的第二部分让我非常之反感，我觉得只用数学去说明问题的人有两种，一种是对这个东西理解得太深了也太浪漫了觉得不纯用数学的话体现不出它的美，另一种是没有自己的思想只是去凑字。前者比如麦克斯韦方程，很少的。
我觉得douban有一点不好，就是把书只机械地分为三类。有些书根本不是看完没看完的问题，而是随时都有可能再看从中吸取新知识的问题。了解了博弈论后，我会讲加强学习与纳什均衡相联系，当我学到更多的知识时，再回头，一定会有更多的发现。
其实，着本书是一个很好的着手点，以这本书为主线，深入的学习其中的各种模型，算法才是要点。我是这样学习的，首先是从着本书开始看，没看到一章，会将这一章的东西和其他的书记一起研究这些问题，再加上一些最新的论文，然后了解最新的科研动态，这个对于我现在的状态来说是比较好的。比如，我在看贝叶斯学习这一章时，该书的写的不清晰，并且略过好多的内容，只留下一些简单的框架，我就将这一章的内容结合PEML，Pattern classification，Byesian reasoning and ML, 正好也来了一本新买的《统计学习方法》一起结合，对问题有个更加深入的看法以及算法的描述过程，这将大大提高分析问题的深度。
同感。。。你和我读这本书有差不多的经历。。。我读完第一章对它用如此简单的形式解决了西洋跳棋的智能问题感到惊奇。。。然后就搁置了。。。最近又重新捧起这本书。。。
这本是确实一本入门级的书，很可惜，我大学时候因为太忙一直没有读到这本，不过等到读硕士时候再来读就觉得比较轻松了。
有的理念之所有没有具体的推导，我个人理解就如你所说的第一种，问题已经抽象了，作者希望看的人理解或者从抽象中获得启发，然后再去推导。这如同有些猜想，其实你有一定功力或者花了精力以后就已经通过直觉知道结果是1，那么自己证明是1就好了，即时不是1，你证明出来是相反的－1.也一样，不过是1的另外一种表现而已。
我个人的习惯是，先抽象理解整体或者关键点，然后再具体推导，否者拘泥细节，容易忽视整体的理念。