说此书数学怎么怎么样的还是退了吧

这几天没事把尾巴扫了。

如果想做ML无论是theory（tcsers请先别吐槽好吧，以后会有槽吐你们的）、algorithm还是application此书都是必读，而且书只读这一本足够了。ML吹破天还是那点内容，想学“fashion”的concept有那么多paper、review，看书是自取其辱。有人说此书遗憾没有讲PAC神马的，Kearns的小书放在那里是当柴烧的么？CLT写上一两章有神马意义？

我觉得遗憾是SVM部分写得不好，怪怪的，还不如Ng的那些阉来阉去的notes，其实也可能是因为我先看过Ng然后看这部分觉得怪，被Ng害了。

都说此书强调Bayesian，我没感觉，可能是其他书都喜欢frequentist吧。

从行文就可以看出Bishop的非cs背景（作者phd师从Higgs，呵呵。其实发现cs里好多做理论物理的过来玩，比如Berkeley的Yun S. Song，做computational biology和tcs，phd的dissertation是Topological String Theory and Enumerative Geometry，好酷。其实我是渣不懂物理，所以我会说你看人家做math和physics的偶尔蹦出几个过来整理混乱无知的cs圈了吧），扎实透彻，再看MLaPP，一翻以为是新华字典呢，你那章deep learning是写给民科看的么？

其实一门学问的有趣之处不在于多么有用或者多么令人无法理解，认为前者的人可以去做码农，认为后者的人还是出门左拐120等候。有趣在于connection，而对connection的发现即意味着一门学科的成熟，幼稚的学问只管门头往前走，最后被撞死。所以math有意思嘛，代数分析拓扑几何风格截然不同却经常约炮乱伦，我是渣不懂数学此处只是yy。数学和物理的关系更不用说了。PRML就想把本来很naive的ML弄得有趣，我觉得应该有更多人这么做。私认为这是research里最难级别的，需要知识熟练掌控和灵感，当然绝大多数人还是problem solver，因为好发文章混吃等死啊。

ML有用还是说明尼玛世界混乱得太有规律，这不科学。

最后呼应题目，说此书数学怎么怎么样的人还是退了吧，此书无数学。