夸的人太多了，我来中和以下

楼主书评和 Streamline 的回复很好，受益匪浅。

楼主,根据你的文章
我觉得这是「一本路人机器学习方面」的书,

特别赞同楼主关于"一定要使用圈子内语言"的观点,
机器学习方面,您的推荐学习方式方法是?

楼主，我感觉搞工程的完全没有必要看这本书，，，，，，，

数学不好，的确是觉得此书真心很艰深
泪目路过

把抽象的数学推理的过程翻译成符合逻辑的简单步骤，足以证明作者对这些算法理解很透彻了，而且不是停留在理论上的理解，能在实践中加以改造。举个例子说：神经网络那一节，他没有按照理论的构造所有的隐藏节点，对参数的存储也加以改善，这种活学活用的思维方式在实际工程中帮助很大。再假如，如果要写一个产品的需求文档，如果写上一些数学推理的公式，显然不太合时宜。 但作为一本讲学习机器学习的书籍，书中最好还是加入理论学习的数目或者文章连接，这样对应学习的人深入理解要好点。

为什么集体智慧编程不是java实现，而用python
对于后续会出2ed吗？

书里太多篇幅讲基础代码，并且实现的也一般；类似k-means这种算法直接用SciPy包得了

所言甚是，看着简单说明教得不深入

做dimension reduction，难免会碰到manifold。
学manifold，一般会碰到topology

做Bayesian nonparametrics，难免会碰到measure theory。

做semi-supervised learning，可能会用到Spectra Graph Theory。

一开始还是先看看introductory real analysis比较好，可以给后面看稍微抽象的数学打个基础

赞，这个讨论就已经足够有养分了。

同意这个

统计学，矩阵分析，优化理论，还有泛函分析

不过顺序可能要变下 统计学的基础部分概率论可以分出来 先学 然后是矩阵分析 或者线性代数 接着可能就是泛函分析 走完前面的就可以再来更广义的统计(机器学习部分)和优化理论了

NFL本身就应该有个free lunch~

严重同意，没有免费的午餐，深刻体会。现在觉得数学公式好坏都是浮云，效果和易操作是关键。吼吼，不知道是不是我从一个极端又走到另外一个极端了？

热帖留名~

赞一个止观双运，没时间只能慢慢来了。
前面还没问题，后面章节里的一些公式和原理没细讲，等于magic，基本就只能看一个乐了

@ Chen_1st
　　
多謝指路。
　　
你寫道：
“
用到什么学什么的问题是基础总觉得不扎实。
”
　　
我個人有個比喻是：用到什麼學什麼好比是 top down（fundamental science 是 bottom, applied science 是 top），一步一步從基礎學好比是 bottom up。
　　
同時做 top down 和 bottom up 的學習是最理想的。“止觀雙運”。但是，很難有足夠的時間。大悲大悲。

@Info.Zeitgeist

统计学，矩阵分析，优化理论，还有泛函分析

不过最好还是用到什么学什么，不然很难坚持下来。哪里看不懂再去学可能好点。上面这些我也不是都认真学了。用到什么学什么的问题是基础总觉得不扎实。

@ Chen_1st (大写西爱吃一嗯下划线1爱斯替)
　　
你寫道：
“
但如果要根据不同的应用设计自己的算法，而不是仅仅拷贝别人的算法，那么掌握数学语言并进行更深入的学习显然是非常必要的。
”

那麼，請問需要深入學習哪些正宗的數學？統計學嗎？

我同意楼主的想法。讲得深入浅出很难，写满数学公式去解释一个理论的作者，也是没有办法才那样的

顶评论~ 同样不喜欢这本书。不敢想象有人拿书里的代码去实现某个算法……

哈哈，我再来推一下，讨论的气氛很好

纪念一下，这个述评挂了一个多月只有40多人阅读，昨天被挑灯看剑推荐了一下阅读量已经增加到150了

那这个做模型的惨了

呵呵，先说明一下，我数学也很差，数学公式多了看着也头疼。用最少的数学公式，或者尽量不用，那是最完美的状态。反过来，数学这么让人头疼，却依然无处不在，就是因为它不可避免。

要实现有效的推荐系统，算法肯定不是唯一重要的东西。简单的算法往往已经能达到不错的推荐效果，至于是不是还需要更复杂的算法，取决于网站和用户对他的期待。

当年美国高校悬赏经济教材，获奖的曼昆就是因为通俗易懂。经济学领域的大拿们有靠一堆数学公式与人沟通的，也有一个公式都没有的大家。
　　
　　而科斯无疑是最典型的个例。科斯是学数学的，没人能怀疑他的数学功力，但是科斯交易费用理论的论文数学很少。如果能够用更多人理解的方式描述，其影响范围自然更大，获取应用创造价值的机会就更多。
　　
　　美国的金融危机，原因也是金融工程的发展已经让多数人无法理解其产品，从而失去了市场矫正的机会。华尔街宽客门很多都有数学或者物理学博士学位，他们建立了越来越复杂的模型，最后精致的数学模型都可以用很美丽的数学去解释，但是就是没办法与真实的世界联系起来，结果大家都知道了。
　　
　　回过头来说推荐引擎，我的数学很差，是个新丁。但是以我的观察，商业推荐引擎成败算法只是其中一个因素。只有少数的推荐引擎要用到最尖端的数学算法。而多数推荐引擎成效的提升往往依靠对用户心理的了解，更合理的用户界面设计。
　　
　　比如推荐算法一个关键问题，数据噪音和数据稀疏性问题，可以用数学方式解决，也可以依靠用户行为的改善来矫正。
　　
　　我理解好的推荐引擎应该是这样的：一个高效率的算法+设计很好的用户行为。所以做产品规划的时候，一定要再这两个方面着力才行。

Amazon.com上是美国人写的review吧。这个math phobia早就已经成了美国大众文化的一部分了。。。。任何时候数学少就等于好，数学多就等于艰涩难懂。搞得想找本对得起作者数学水平的书，有时还真是困难。没办法，那些作者也是被吓得～

这句话又掩饰了沟通能力不足

呵呵

我赞你最后一句，是因为只有这个我能插上一句，其他我都不懂。 掩饰而已！

呵呵，可能因为沟通能力不足才有这种感觉，会沟通的人会不会觉得这个很轻松啊

赞楼上最后一句，“沟通永远都是最重要而又最具挑战性的工作。”

这个话题就比较复杂了。大多数技术都能从一定程度上让普通人听得懂，另一方面，大多数技术即使技术人员也要费很大功夫才能真正弄明白。如果老板是技术出身，那么和技术人员沟通就少了一项障碍。但是技术显然并不是唯一可能影响沟通的障碍。

沟通永远都是最重要而又最具挑战性的工作。

俺是外行，最近关注这个领域，说得不对请批评

要想这些算法能在实际项目中使用，最起码要突破产品经理这个层面，数学好，理解用户需求的产品经理有多少？

比如新浪的微博运营，让陈彤理解推荐合适的人或者信息给用户容易，但是让陈彤理解矩阵和图论，这事就麻烦点了。也许这个例子举的不好，貌似陈彤是学机械控制的，数学正好是长项也说不定，哈哈

是啊,所以说没有哪个方法会在所有情况下都最优，Bayesian方法也不例外。

依据"没有免费的午餐"原理, 没有哪个方法会在所有情况下都最优，Bayesian方法也不例外。但bayesian方法的确能容纳更丰富的先验知识，从这个角度看bayesian方法的确有他的优势。这个在一些"No Free Lunch"方面的文章里有论述。

Why?

我比较认同，数学即是业内人士沟通的统一标准与语言的说法，就好比飞机的设计符合一定的标准，不同的部件才能对接，各类的技术文档与书籍才能方便地传输思想。

但数据挖掘是一个普及面很广的领域，不单研究人员，专业人士在用，在研究。还有大量对数学兴趣不大的程序员在用或者想用。也许只是想实现一个简单的功能，而并不需要深入细究与改进。对于这个规模其实很大的人群以及这样简单的应用目的，我觉得这样的书是很有价值的。更何况，美国人似乎比中国人更不喜欢数学：），所以写这样的书的通常也是美国人。这样的书拿回来与国内一些满篇数学公式的“编著”相比，让国人爱不释卷也是合乎情理的。