[分享] 《机器学习算法与实现 —— Python编程与应用实例》-- 第一贴 初识

引言：由于平时工作比较忙，下班比较累了，很难抽出时间来制作电子产品，因此也错过了论坛很多的有意思的评测活动；偶然间，发现最近论坛推出了一些优秀的书籍，来供大家评测，看到这本书与自己最近在从事的人工智能领域非常契合，因此，参与了此次活动。因为书籍是6月27号左右才收到的，因此，第一次分享比原来的计划要晚了几天，花了几天时间，看了一些书的整体框架和第1-3章，特此分享给大家。

作者介绍：

一本优秀的书，一定是出自优秀的作者之手，本书的作者布树辉老师，是西北工业大学的教授，与西工大飞行器智能认知与控制实验室的师生一起，为大家编撰了本书。布老师是2021年的吴文俊人工智能科学技术发明一等奖获得者。粗略翻了一下此书，无论是知识广度还是深度都是一本不可多得的介绍人工智能的书籍。责任编辑谭美平也是下了很大功夫，整个排版看起来十分清爽，全书作图美观，字体优雅，又不失专业。

本书框架介绍：

本书从机器学习的发展史开始，讲述了机器学习的基本概念，讲述了机器学习常用的python编程语言的基本知识，以及机器学习的常见算法，以及当下热门的人工智能常用的神经网络（深度神经网络），最终以Pytorch框架为载体，讲述了目标检测的一些常见算法的基本原理和应用。全书由浅入深，理论结合实际，初步感觉是这样，等读完了看看是否符合自己的认知。

第1章 绪论 –读后感

以前总是分不清人工智能和机器学习的区别，从本书中得到了好的解释。人工智能是一个比机器学习更为宽泛的概念，机器学习是人工智能领域中重要的一种方法，机器学习的本质是一类算法的总称，这些算法能够从大量历史的数据中挖掘出隐含的规律，并用于分类、回归和聚类。

回归和分类都属于监督学习，回归常见的有线性回归，预测未来的房价和气温等。分类问题的目的是将事物打上标签，结果一般是离散的。

泛化：模型对新的输入的识别能力，识别能力越好，说明泛化能力越强。

泛化表现非常差，说明模型出现了过拟合。所谓的过拟合，是指模型对于训练的数据集表现非常出色，对于新的数据集识别能力很差。

机器学习的分类：监督学习、无监督学习和半监督学习。深度学习属于半监督学习，正在向无监督学习进步，但要做的事情还很多。

人工神经网络可分为浅层神经网络和深度神经网络。深度神经网络是机器学习的一个新的研究方向，最接近于实现人工智能。深度神经网络的灵感来源于人脑的工作方式，多层网络可以更好的挖掘图像特征，进而提高对目标差异识别的检测率。

学习人工智能的方法，应该由浅入深，逐步补足基础，不能因为涉及知识面过多而踟蹰不前，也不能因为过于关注模型的学习，而忽略了其理论基础。

第2章 python语言和第3章python常用库 读后感

Python语言是一种解释性语言，从我使用的角度来看，python帮助我节省了大量的编程时间，学习成本比较低。人工智能的学习最近比较火热的便是pytorch, py顾名思义离不开python, 具体不多说了。借助社区版的pycharm和anaconda可以实现基本的人工智能模型训练和学习平台。

有没有大致看一下，这本书的主要侧重方向是什么？ 

这种算法的书看起来就头疼，要花太多时间静下心了，难懂的

机器学习算法与实现的小学生，一起加油吧！！！

标记一下，后面用到了好学习学习，非常感谢分享，好人一生平安！

等我看完 再回答您这个问题  这本书是一个比较入门的教材，比较全面

其实 还好，有些东西多接触 接触，不难理解。AI的核心是自己设计模型，然后其实我们很多人搞的就是 如何用？ 可能用都还用不好..  然后AI这个是软硬件结合 然后从数学到建模到芯片设计，软硬通吃的一门学问.. 

机器学习算法与实现, 新东西出来就一直学，感谢分享!

本书侧重于机器学习，从传统的机器学习一直到神经网络，深度神经网络，从基础的数学理论，到python实现，都讲的比较透彻。