1樓：永無止境
如果書看不懂的話，可以在網上先學一些簡單的演算法，例如卷積神經網路。
卷積神經網路涉及的數學不算高深，應該都能學會。而且，卷積神經網路衍生出了許多實用的變體，例如殘差網路、深度殘差收縮網路等。
卷積神經網路
深度殘差網路
深度殘差收縮網路
2樓：厚積薄發高高
繼續看。
機器學習的書要求很強的數學背景。概率論和微積分學得不好的話很容易看不懂。
如果發現完全看不下去，建議跳回去補數學。
3樓：艾陽
好像有本書叫機器學習，有關影象處理啊、機器視覺、還有一些數學基礎，分類演算法等，最重要的應該是數學，因為問題最後基本都是在解方程，而且差不多都是非線性的。
4樓：Tony Fan
是的。我也有類似體會。
科班的數學課，往往理論推導和抽象習題多，應用少。（列昂替夫的巨集觀經濟部門的無利潤均衡，我看到後，簡直經驗，原來線性方程組可以這樣用啊）。然後各種矩陣特性，矩陣的計算方法就一股腦湧入腦海，包括那些變換、矩陣統計、向量微分……
後來遇到乙個機器學習大牛，本科北大純數出身的，他說，這只能說明你數學還是沒學好！學好了才不會這麼慢呢…好吧，真學霸，收下我的膝蓋吧。
5樓：杜少雷
同本科數學cs double major，即將CMU機器學習PhD。
兩年前看PRML的時候也各種蛋疼，總覺得書上推導跳步了。現在明白本質上是矩陣的運算和微分不熟，當矩陣用熟了後，那些推導看起來就很自然了。
題主說因為在數學系所以應該優勢。我認為正相反，在看類似PRML這類書的時候數學系反而是劣勢。數學系強調的抽象證明真是用處不大，而物理或工科由於平時就做大量計算所以推這類公式反而會更熟練些。
不知道題主說想精通ML的目的是什麼？進工業界多實踐才是硬道理。搞學術一般是有了具體問題再看相應所需的技術。
不管怎麼直接刷PRML或Murphy那本個人認為是效率很低的做法。這類書更多是當作reference。
PS：Michael Jordan親口說過：純數學的越多越好。
6樓：jiumem
去年跟樓主同感，出去實習後，感覺突然間就明白了乙個個引數背後的意義，一氣呵成之下推導了很多以前不會的演算法！所以，實踐出真知，看看有沒有機會實習或者嘗試下kaggle也不錯。
7樓：楊超
如果你目前有閒暇的時間讀一本經典是值得的！不過murphy那本我反正不愛讀我也沒覺得算經典寫的太亂像個半成品 murphy自己當筆記看還行拿來自學不適合此書還需要沉澱我最近在看mackay的information theory inference and learning algorithm 寫的真好啊又好看又好玩上學的時候竟沒聽過這書你也可以看看這書絕對是被噎死的好書還講了好多通訊壓縮的知識而且書很薄一般是題目和答案 mackay最近還寫了本關於能量消耗的書真是佩服他啊不過切記看書不要東看看西看看每本書都看個前幾章的一定要認真做完所有題目
8樓：
北美的數學系只跟standard circulum一般容易出現兩種情況
1.畢業國內大二進度
2.基礎操作技術一塌糊塗
真沒黑 ，我處境和題主差不多… 機器學習入門不用多高階的數學，但是操作技術一定要要過硬啊……
上抽代拓撲聽不懂看不懂書怎麼辦？
Dandan Liu 實在覺得心裡堵就放棄吧。如果不想放棄，就硬著頭皮看。我是物理系的同學，上拓撲學課，幾乎快把Hatcher的代數拓撲那本書翻爛了，前前後後可能讀了20遍才看懂同調群那一章。沒什麼秘訣，就一句話 雖然有些絕對，但必須要有這種精神 乙個單詞乙個單詞的讀，乙個式子沒看明白絕不看下乙個，...
好書看不懂怎麼辦？
知乎慣例，先問是不是再問為什麼？你怎麼知道這些算 好書 你的好書評判標準是什麼？知乎推薦的書單就是好書？ 秧小穗 瀉藥。那得看讀不懂的內容是不是你需要的了。其實，閱讀本身並不能給我們帶來什麼，理解和記住書中的內容也不能給我們帶來什麼好處。我們所學習的任何知識如果不能內化成為能力，改變我們的行動，是沒...
經典看不懂怎麼辦？
三十五 其實就是一遍看不懂看兩遍兩邊看不懂看三遍個人感覺其實很多名著因為比較生澀難懂讀起來比較困難會讓人感覺比較無聊，做讀書筆記吧，比如說畫一畫人物表或寫一些時間整理，然後用信封封起來下一次很久以後翻出來看，花的時間可能會比較多，可是最後會很有成就感 該隱 我的建議還是去看吧。能被稱為經典的東西都值...