《模式识别》是一本由张学工著作，清华大学出版社出版的平装图书，本书定价：25.00元，页数：237，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《模式识别》精选点评：

　　●教材教材

　　●好教材。需要数理统计，最优化的基础，最好先学一门《机器学习》，再看这本书时，就会流畅许多。我对非监督学习的内容接触的少，所以本书最后50页，看得慢了许多。1.面面俱到，该讲的都讲了，提纲挈领不废话 。2.有实例介绍，多为作者自己的研究案例，讲得明白。 3.作者讲出了作者自己对模式识别的思考和想法，不是抄来抄去的拼凑。4.作者是中国人，语言通顺，比翻译版课本易读。

　　●部分章节讲得比《模式分类》还更清楚，便宜实惠，性价比高

　　●例题少，习题少，书中还有很多勘误，比如P和p混着写之类的，导致很多公式推导很费解。

　　●概括性比较强，可以算是针对初学者的一个总的介绍，里面也有不少作者的不少经验。

　　●经典模式识别教材

　　●为了考试看的，很适合模式识别初学者，对各种概念的阐述简单易懂，有些细节点到为止，虽然不够全面，但不至于让人纠结于复杂的理论，想更多地了解可以在此基础上参考其他文献。

　　●期末考试啦！考前突击,很尴尬，考试的时候没怎么用上，留作纪念吧！（贝叶斯，增广化）

　　●简单

　　●模式识别的好教材

　　《模式识别》读后感(一)：开始系统学习这本书了

　　这本书以前只是选择性的看了几章，感觉写的还不错，思路很清晰，作者功底也很深厚。是国产模式识别书中的佼佼者。

　　最近开始系统学习这本书了，读了第一章就被深深的吸引住了。虽然是绪论，但很系统的介绍了模式识别的来龙去脉，以及应用场景。准备花一周时间好好读读，读完后再继续写书评。

　　《模式识别》读后感(二)：相对于第二版有很多新东西

　　我是计算机科学研究生。在学习《模式识别》课程时用的是第二版。但是所作研究超出了其中的知识。在参考各种书籍后，发现第三版是比较出色的。不但介绍了最新的模式识别技术，而且文笔中还有一种鼓励采用新技术的影子。同时，第三版的讲解也比第二版详细许多，例子也鲜活许多。不过还是有些知识点只有数学推导，没有实例。比如核方法的Fisher映射那节。我想不看其他书籍，就很难弄明白。

　　《模式识别》读后感(三)：一本比较经典的模式识别教材

　　磕磕绊绊花了2个月的时间看完了第一遍，其中第7章特征选择和第8章特征提取都只是翻了翻没有细看。

　　这本书里个人感觉讲的最清楚的还是第2章统计决策方法和第6章其他分类方法。第5章非线性分类器中很多推导过程由于作者省略了很多，导致实在是看不懂。另外还有一些算法的实现比如ISODATA的具体实现过程，作者只是给了一个代码上可实现的参考，想第一遍就从中理解算法的设计思路是很难的。

　　不可否认，作者是模式识别领域的专家，在与生物、基因、医疗等领域更是有丰富的模式识别系统开发经验，从书中的经验分享和研究心得就可以看出，单单因为这些内容就已经受益匪浅。但这本书是2019年出版的，一些算法目前已经被新技术取代了，还有一些算法也到了长足的发展，如果作者尚有精力，还希望能再新出一版书，将书中的内容更新一下。

　　《模式识别》读后感(四)：SVM与核函数讲的太水了

　　线性不可分时，SVM与核函数都没一起讲。真不知道咋写的，线性不可分时加个惩罚项就能就出找到最优超平面了么。。。。明明需要降维打击的，还是继续看vapnik的原书好了。

　　以下为《The Natureof Statistical Learning Theory》的前言：

　　etween 1960 and 1980 are volutionin statistic soccurred:Fisher's paradigm,introduced in the 1920s and 1930s was replaced by anewone. This paradigm reflects a new answer to the fundament alquestion:

　　What must one know a priori about an unknown functional dependency in order to estimateiton the basis of observations？

　　In Fisher's paradigm the answer was very restrictive--one must know almost everything.

　　amely,one must know the desired dependency up to the values of afinite number of parameters.

　　Estimating the values of these parameters was considered to be the problem of dependency estimation. The new paradigm overcame the restriction of the old one.

　　It was shown that in order to estimate dependency from the data,it is sufficient to know some general properties of the set of functions to which the unknown dependency belongs.

　　Determining general conditions under which estimating the unknown dependency is possible, describing the (inductive) principles that allow one to find the best approximation to the unknown dependency,andfinally developing effective algorithms for implementing these principles are the subjects of the new theory.