想做很多事情，却什么都没有做好。
注：本文仅属于个人学习记录而已！参考Chris Bishop所著Pattern Recognition and Machine Learning(PRML)以及由Elise Arnaud, Radu Horaud, Herve Jegou, Jakob Verbeek等人所组织的Reading Group。
目录
进度
目前，PRML第九章快看完了，但是，笔记一直没有好好的做。第七章主要是讲SVM模型及其相关的知识，这些推导和证明已经在Ng的课件里很好的证明了，我也完整翻译完了，在留言板里也提供了下载的地址。当然，第九章的EM以及混合高斯等等模型，在翻译的doc里都有详细的证明和推导。所以，觉得再写一遍，挺麻烦的。读书花费的时间不多，但是，做笔记花费的时间实在有点多，舍本逐末了。不过，做笔记的好处是，可以很好的帮助自己回顾一些知识和快速的回想起知识的关键点。所以，doc里面没有涉及到的点，我自己在本地的笔记里，也会稍微的做一些记录。 这个系列，就这样了。
更新于2016-3-18 现在对机器学习的理解又加深了许多。这本书还是非常值得多品读品读的，能够把握基本思路，联系起来会使得学习和阅读简单一点。
大数据下机器学习
最近比较忙碌。一方面是工作的事情，需要自己读一些论文，研究一些方法实现等等，都是比较花费时间的。另一方面，有一些公开课确实蛮吸引我的，比如edx的scale machine learning以及spark可程。毕竟工作里使用的是GPU，还没有用到spark，不过大数据的未来，还是要提前学习一下的。不过，那两个公开课的难度，比较低。有了一定的机器学习基础的同学，可以去试一试。
关于机器学习
有时候觉得机器学习发展太快了，现在深度学习那么热，各种新的思路以及一些老模型的新用法，大数据加高性能计算，使得我有点应接不暇。很多模型，都没有认真的看过是什么，比如word2vec，RNN之类的，简单的看一些内容，了解一下使用方法。但是，对于里面涉及的细节却不是很了解。也可能与我现在做的项目不相关，所有很多模型，都是这样的一笔带过。所以，慢慢的，我觉得自己可能需要选择一个更加细分的方向。对于方向以外的一些模型，能够快速的理解，并且把握一些更加本质的东西。 虽然PRML提及了很多模型，并且用概率论和贝叶斯的方式来解释各个模型，但是涉及的模型还是太少。关于各个模型之间虽然用概率和统计来联系，很多更加本质的东西还是没有说清楚。所以，买了一本vapnik的统计学习理论的书来看一看。另外，打算把PRML的几个章节看完之后，读一读ESL。 想做的事情很多，想搞明白的东西也很多，最后却什么也没做好，什么也搞不明白——也许这就是结局。 一些有趣的方向，比如网络分析、图模型等等，都很有趣，想要全部学会也许段时间内不太实际。所以，更加的要专注于一些自己感兴趣的主题，对于主题之外的东西，要有所涉猎，但是，可能没有精力去做到理解透彻，这也不得不说是一种遗憾。不过，年轻，就是资本呀！
一起学习
学习从来不是一个人的闭门造车，而且国内的网络也是一个大问题。所以，只是看书的话，很多东西还是很难学到的，有一个好的老师，能够使你触类旁通，更好的理解这些事情。网络公开课，就是一个不错的地方。但是，无论是coursera还是edx上的课程，难度和粒度，跟这些老师在学校实际教学之间差距还是非常大的。比如ng在coursera上的ml课程，就是非常的应用，简单。但是在斯坦福实际教学里，涉及的主题很广泛，而且各个模型都涉及到推理和证明，以及大量的实践内容。所以，我更加的推荐一些课堂上的一些视频，有很多没有翻译的课程在youTube上。 然而，虽然学习不是一个人的闭门造车，但是，学习仍旧是一个孤独之旅。很多人说要不要一起读PRML，最后等着有人来讲课，等着别人帮忙读书，这是不现实的。多数情况下，还是要一个人。一个人，认真的。
好啦，就先说那么多。在这条路上，希望走的开心一点！