一下内容摘自豆瓣书评：
《统计学习方法》是打算机及其运用领域的一门主要的学科。《统计学习方法》全面系统地先容了统计学习的紧张方法，特殊是监督学习方法，包括感知机、k隔壁法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。除第1章概论和末了一章总结外，每章先容一种方法。阐述从详细问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者节制统计学习方法的本色，学会利用。为知足读者进一步学习的须要，书中还先容了一些干系研究，给出了少量习题，列出了紧张参考文献。
这是作者的内容简介，看完本书（末了两章跟自己的关系不大，没有看）最大的感想熏染便是书确实跟内容简介相吻合。本书最大的特色：
（1）理论浅近易懂。读的时候可以看出作者功力非常深厚，跟那些平凑的或者生涩翻译的完备不一样。有人评价说作者可能英文演讲或者写浸染惯，有些地方中文不知道怎么写。我也有这样的感想熏染，有些地方确实有些晦涩，但这种晦涩跟那种不懂而直译的晦涩是完备不一样的，不影响阅读。
（2）作者把繁芜的推导单独拧出来，侧重在先容每种算法的思想以及如何利用。
（3）每一章基本都有很随意马虎懂的例子，见告读者如何利用刚先容的算法。
（4）每章末了的推举阅读材料也很不错。
我虽然很喜好模式识别和机器学习，但我暂时并不肯望在这上面做深入的研究，只想把别人研究好的成熟的理论用在打算机视觉任务上。比如SVM，Adaboost，EM，朴素贝叶斯，K隔壁，决策树等等。能够知道每种算法的事理，而并不想穷究实在现过程以及理论证明。比如SVM，我想知道的是这种算法如何实现分类，有哪几种类型，每种适宜什么样的分类任务，对应的参数的意义是什么。这样我在利用SVM-Light或者libsvm的时候就知道该怎么选用参数，怎么利用学习到的系数。从这个角度看这本书很适宜我。当然也适宜那些在想在机器学习方面做深入研究的人作为入门教材，我想对事理理解一二之后，阅读大部头或者原著肯定会轻松很多。
作者在书里面力荐了两本教材：Bishop的PRML和Hastie的The elments of statistical learning(这本书有第二版了，而且是免费的电子版)。这两本书该当是深入学习机器学习的必读之作了。
要说这本书有什么缺陷的话，还真有。这本书覆盖面太窄，只先容了几种算法，当然这可能跟书名有关系。建议作者重版时可以加一些常见的经典算法：比如LDA，PCA，SVD，神经网络，随机森林，聚类算法，特色选择方法，乃至CS和Sparse Representation等模式识别教材中常见的内容。如果重版而且内容有所扩充的话，一定第一韶光购买。定价不要太贵哟，这本书的定价还是偏贵了一点点。
