返回信息流群二维码在这里
--------------------------------------------------------------------
昨天十大好多同学在交流机器学习所需要的基础。爬楼下来，发现大家都比较喜欢西瓜书，统计学习方法，集体智慧编程，机器学习实战等等偏工程应用的书。
不过，一路读下来这些，个人总感觉它们提供的知识还是比较浅显，无法深入算法的本质，遂在看一些更理论的书。
不过，题目中那几本书花时间的性价比如何，那就见仁见智了，欢迎大家来讨论。
个人而言，我看过一遍prml(比较粗浅得看)，以及正在仔细刷esl，希望小伙伴们来交流，看deep learning那本的，也欢迎奥。
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #23839同步于 2017/4/23
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
寻找在看prml，esl，mlapp的小伙伴交流
sdlslx
2017/4/23镜像同步32 回复
订阅后，新回复会通过你的通知中心匿名送达。
9 条回复
如果要做机器学习工程师，前者差不多也够了吧，多做做kaggle的题，结合工程环境去调参训模型提高性能才是王道。
如果是做机器学习研究员，后者刷烂算是打好基础……，而且顶会paper才是傍身的法宝，反而工程能力感觉不是那么重要了。没有面试者会因为一个在nips和icml发过若干篇一作的面试者手写不出来快排而拒绝他吧……（当然我发现这种大佬一般都是一堆单位主动来挖的……并不需要去找面试，捂脸）
国内行情这么好？有几篇NIPS ICML就有人挖了？能发paper就不用刷题了？
【 在 Altair 的大作中提到: 】
: 如果要做机器学习工程师，前者差不多也够了吧，多做做kaggle的题，结合工程环境去调参训模型提高性能才是王道。
: 如果是做机器学习研究员，后者刷烂算是打好基础……，而且顶会paper才是傍身的法宝，
: .........
发自「贵邮」
我邮主流方向，看来是前者了
【 在 Altair (颠扑不破) 的大作中提到: 】
: 如果要做机器学习工程师，前者差不多也够了吧，多做做kaggle的题，结合工程环境去调参训模型提高性能才是王道。
: 如果是做机器学习研究员，后者刷烂算是打好基础……，而且顶会paper才是傍身的法宝，反而工程能力感觉不是那么重要了。没有面试者会因为一个在nips和icml发过若干篇一作的面试者手写不出来快排而拒绝他吧……（当然我发现这种大佬一般都是一堆单位主动来挖的……并不需要去找面试，捂脸）