这本书不是看不看完的问题，所以难以将其归类
2007-09-07
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。