머신러닝 책 추천글을 번역해보았습니다. 
출처: http://www.zinkov.com/posts/2012-10-04-ml-book-reviews/


Prediction, Learning, and Games, 2006
(Nicolo Cesa-Bianchi, Gabor Lugosi)
- 이 책은 기계 학습과 게임 이론 사이에 있지만, 그래도 사야한다. 
- 기계 학습자와 실무자가 해결하는 흥미로운 문제의 대부분은이 경계에 존재한다.
- 이 책의 자료는 다른 책에서 다루는 많은 베이지안 트릭보다 더 자주 사용합니다.

Foundations of Machine Learning, 2012
(Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar)
- 제목 (foundation)은 거짓말쟁이다 (…) sequential prediction 내용은 최고수준이다 (…)
- 대학원생을 위한 book이다. 
- 그래서 bad하지만 online learning이 bigdata를 다루는데 왜 중요한지 이해하기 위해 좋은 책이다.

Introduction to Machine Learning, Second Edition, 2010
(Ethem Alpaydin)
- 기계 학습에서 읽은 첫 번째 책이라 추억이 있다
- 알고리즘을 사용하고자 하는 사람을위한 합리적인 책
- 그래서 다만 새로운 방법은 여기 없을 것

Bayesian Reasoning and Machine Learning, 2011
(David Barber)
- 그래픽 모델에 관한 훌륭한 책입니다. 많은 예제로 가득 차 있으며 직관력을 키우는데 많은 시간을 할애합니다.
- 콜러(Koller)의 1400 쪽짜리 책(뒤에소개함)을 읽으려는 생각에 겁을 느낀다면이 책을 고려해보십시오 (…)
- 제목에 베이지안이 표시되어 있는 이유는 비 베이지안 알고리즘 및 모델이 대부분 무시되므로 (…) Murphy의 책으로 보완해야합니다.

Machine Learning: A Probabilistic Prespective, 2012
(Kevin Murphy)
- 한줄요약: 이 책을 사라…
- 기계 학습에 대해 배우고 싶은 모든 것을 다루고 있다.
- 수식은 Bishop의 책만큼 무겁지 않다.
- 인기있는 방법들이 어떻게 실패하는지에 대한 많은 통찰력이 담겨있다.
- 책의 구성은 더 좋았을수도 있었는데… 마지막 몇 챕터들은 왜 거기있는지 모르겠다…

The Elements of Statistical Learning, 2009
(Trevor Hastie, Robert Tibshirani, Jerome Friedman)
- 통계쪽에서의 유일한 ML책
- 나는 이 책을 정말로 좋아한다 (…)
- 모델 비교 방법을 보여주는 차트와 예제가 많이 있습니다. 
- 이 책에는 통계 학자만 사용하는 많은 알고리즘이 있습니다.
- 사람들이 가지고 있는 한 가지 불만은, 책이 너무 앞뒤로 너무 왔다갔다 참조한다…

Pattern Recognition and Machine Learning, 2006
(Christopher Bishop)
- 머피의 책이 나오기 전까지는 이 책이 사람들이 기계 학습을 위해 권하는 책이었습니다 
- 모두에게 추천하지는 않는다. 책의 커버리지(다루는 범위) 는 괜찮으나… 가우시 분포 (Gaussian distribution)가 무엇인지 설명하는 것에서안부터 거칠게 휘몰아 치면서 많은 단계가 생략 된 행렬 대수(matrix algebra) 페이지로 넘어갑니다 (…)
- 이 책은 당신이 저자가 다루는 이슈에 부딪힌 후에만 이해할 수 있는 비밀스러운 발언으로 가득 차있다 (….)
- 이 책은 거의 모든 알고리즘에서 베이지안 입장을 취하는 것에 이상하게 고집합니다. (…)
- 후반부는 (chapter 10–14) 실제로 훌륭하지만 전체적으로이 책은 읽기가 너무 어렵습니다.

Probabilistic Graphical Models: Principles and Techniques, 2009
(Daphne Koller, Nir Friedman)
- 이 책 거대하고 (…) 그래픽 모델에 관해 말할 수있는 모든 것을 이야기합니다. 문제는 모든 것을 말하기에는 너무 많은 페이지가 필요하다는 것입니다. (1400쪽)
- 이 책은 당신이 완전 비기너라 생각하고 시작합니다.
- 이 책으로는 책의 3 분의 2가 될 때까지 그래픽 모델을 배우는 법을 배울 수 없습니다 (……)
- 참고서 이상으로 추천하기가 망설여진다.

Information theory, Inference and Learning algorithms, 2002
(David MacKay)
- 그렇습니다. 이건 정보 이론에 대한 책입니다. 하지만 그 허위는 책의 중간에 멈추게됩니다. (…..) 이 시점에서 본질적으로 그래픽 모델에 대한 확률 및 추론에 대한 책입니다. 
- 마지막에는 Boltzmann Machines and Gaussian Processes이 나오면서 완전한 ML북이 되어버리는 것입니다
- 내용이 훌륭하고 연습 문제가 무료이며 무료로 다운로드 할 수 있습니다.

Pattern classification 2e, 2001
(Richard O. Duda, Peter E. Hart and David G. Stork)
- 두 번째 판이 2000 년에 발표되었지만,이 책의 어떤 것도 1980 년보다 새로운 것은 없습니다. (……) 
- 다루는 내용은 잘 쓰여졌습니다.
- 불행히도 논문을 많이 읽지 않고서는 이 책에서 뭐가 중요한 내용인지 알아차리기가 힘들다.
- 이 책은 다른 책에서 아이디어를 설명하는 방식이 마음에 들지 않는 경우 가장 방문하기 좋은 곳입니다.
- 나는 보통 이 책이나 The Elements of Statistical Learning이 설명을 이해하는 데 가장 쉽다고 생각한다.

AI: a modern approach
(Stuart Russell and Peter Norvig)
- 이 것은 AI 책이지만, 제 3 판에는 Machine Learning에 관한 책의 상당 부분이 있습니다. 
- 나는 이들이 다루는 범위가 마음에 들지만, 때로는 너무 급하게 느껴진다.
- 이 책을 언급하는 이유는 다른 책에서 거의 안나오는 Reinforcement Learning이 소개되고 있기 때문이다.

One clap, two clap, three clap, forty?

By clapping more or less, you can signal to us which stories really stand out.