学习PRML需要怎样的基础? 举报 理由 举报 取消 虽说很多人表示 1) 这本书是self-contained的 2) 这本书的数学推导“相对较少”如果说测度论, 实变等数学工具不必深究的话, 那么至少在数学,统计学和计算机方面应该具备什么水平呢?谢谢。 2018年2月17日 4 条回复 1676 次浏览 学习,数据挖掘,机器,模式识别,统计学
回复 ( 4 )
既然已经到了需要看PRML的地步,那么数学分析和概率论数理统计这些大一大二的课程答主一定学过。不要认为PRML看不懂,回头补补统计学就能看懂了。当下定决心要补数理统计的时候,恐怕又要问“学习数理统计需要怎样的基础了”。如此循环无穷无尽。
对于self-contained和推导较少的评价,都是相对之言。老师之前推荐过一本Foundations of machine learning,相较之下PRML就无愧于这两点评价了。但是相比起Ng的公开课Coursera版的确很难。如果人人都能看懂PRML,那么自己也看懂了并没有什么用。
所以,只要楼主不是文史类专业,并且在大二年级以上,就可以开始看PRML了。寻求其他的基础,似乎是对PRML的变相逃避。至于怎么看,有很多这方面的回答。
泻药。这本书我看得十分吃力。
基础要求不高,我也认为是self-contained ,但是一定要做题,在做题的过程中补充回顾。
概率:贝叶斯,条件期望,相关系数,协方差矩阵,马尔可夫链条,随机过程(不好意思,能力有限,想到用过什么就崩了什么词)
现代:convex optimization中的现代运算(矩阵求导,矩阵transformation,对角化,SVD。。。此处知识较多),大概有矩阵式子的几何意义的了解
Convex optimization: 什么是优化(基本任何machine learning都数学建模成优化问题,找一个最值成立的条件,你可以把它想成高中解析加立体几何的n维进阶版),了解优化的各种算法(gradient descent, steepest gradient descent, stochastic gradient descent…..一大堆,不过重点了解几种主要的,慢慢理解之后的)
统计:bias vs. variance,variance matrix, lasso…(此处我不太懂还要什么,个人也欠缺)
图论:大概了解一下基本概念,adjacent matrix
编程:至少一门编程语言,一边学一边实现仿真
(先说这么多,想到再加!)