主编推荐语
一本讲解算法的书籍，从生活中的常见例子来讲解，使读者发现算法的乐趣，能快速把算法应用到机器学习中。
内容简介
学习机器学习的动机很多，可能是实际工作需要，可能是兴趣爱好，也可能是学业要求，从每种动机的角度看，这个问题都可能有不同的答案。作者认同许多人所说的求知不能太功利这一观点，不过大家的时间和精力毕竟有限，就算不去追求投入产出比，至少也应该有一个学这门知识想要达到的目的。
在本书中作者选择介绍市面上成熟的机器学习算法包，通过现成的算法包，就能够根据实际要解决的问题直接选择所需要的机器学习算法，从而把注意力集中在对不同算法的选择上。本书的目标读者是想要学习机器学习的学生、程序员、研究人员或者爱好者，以及想要知道机器学习是什么、为什么和怎么用的所有读者。
本书第1章介绍机器学习总体背景，第2章介绍配置环境，第3章到第10章彼此独立，每一章介绍一种具体的机器学习算法，读者可以直接阅读想要了解的算法，第11章介绍了集成学习方法，这是一种组合机器学习算法的方法，也是当前在实际使用中常见又十分有效的提升性能的做法。
目录
- 版权信息
- 前言
- 第1章 机器学习概述
- 1.1 什么是机器学习
- 1.2 机器学习的几个需求层次
- 1.3 机器学习的基本原理
- 1.4 机器学习的基本概念
- 1.4.1 书中用到的术语介绍
- 1.4.2 机器学习的基本模式
- 1.4.3 优化方法
- 1.5 机器学习问题分类
- 1.6 常用的机器学习算法
- 1.7 机器学习算法的性能衡量指标
- 1.8 数据对算法结果的影响
- 第2章 机器学习所需的环境
- 2.1 常用环境
- 2.2 Python简介
- 2.2.1 Python的安装
- 2.2.2 Python的基本用法
- 2.3 Numpy简介
- 2.3.1 Numpy的安装
- 2.3.2 Numpy的基本用法
- 2.4 Scikit-Learn简介
- 2.4.1 Scikit-Learn的安装
- 2.4.2 Scikit-Learn的基本用法
- 2.5 Pandas简介
- 2.5.1 Pandas的安装
- 2.5.2 Pandas的基本用法
- 第3章 线性回归算法
- 3.1 线性回归：“钢铁直男”解决回归问题的正确方法
- 3.1.1 用于预测未来的回归问题
- 3.1.2 怎样预测未来
- 3.1.3 线性方程的“直男”本性
- 3.1.4 最简单的回归问题——线性回归问题
- 3.2 线性回归的算法原理
- 3.2.1 线性回归算法的基本思路
- 3.2.2 线性回归算法的数学解析
- 3.2.3 线性回归算法的具体步骤
- 3.3 在Python中使用线性回归算法
- 3.4 线性回归算法的使用场景
- 第4章 Logistic回归分类算法
- 4.1 Logistic回归：换上“S型曲线马甲”的线性回归
- 4.1.1 分类问题：选择困难症患者的自我救赎
- 4.1.2 Logistic函数介绍
- 4.1.3 此回归非彼回归：“LR”辨析
- 4.2 Logistic回归的算法原理
- 4.2.1 Logistic回归算法的基本思路
- 4.2.2 Logistic回归算法的数学解析
- 4.2.3 Logistic回归算法的具体步骤
- 4.3 在Python中使用Logistic回归算法
- 4.4 Logistic回归算法的使用场景
- 第5章 KNN分类算法
- 5.1 KNN分类算法：用多数表决进行分类
- 5.1.1 用“同类相吸”的办法解决分类问题
- 5.1.2 KNN分类算法的基本方法：多数表决
- 5.1.3 表决权问题
- 5.1.4 KNN的具体含义
- 5.2 KNN分类的算法原理
- 5.2.1 KNN分类算法的基本思路
- 5.2.2 KNN分类算法的数学解析
- 5.2.3 KNN分类算法的具体步骤
- 5.3 在Python中使用KNN分类算法
- 5.4 KNN分类算法的使用场景
- 第6章 朴素贝叶斯分类算法
- 6.1 朴素贝叶斯：用骰子选择
- 6.1.1 从统计角度看分类问题
- 6.1.2 贝叶斯公式的基本思想
- 6.1.3 用贝叶斯公式进行选择
- 6.2 朴素贝叶斯分类的算法原理
- 6.2.1 朴素贝叶斯分类算法的基本思路
- 6.2.2 朴素贝叶斯分类算法的数学解析
- 6.2.3 朴素贝叶斯分类算法的具体步骤
- 6.3 在Python中使用朴素贝叶斯分类算法
- 6.4 朴素贝叶斯分类算法的使用场景
- 第7章 决策树分类算法
- 7.1 决策树分类：用“老朋友”if-else进行选择
- 7.1.1 程序员的选择观：if-else
- 7.1.2 如何种植一棵有灵魂的“树”
- 7.1.3 决策条件的选择艺术
- 7.1.4 决策树的剪枝问题
- 7.2 决策树分类的算法原理
- 7.2.1 决策树分类算法的基本思路
- 7.2.2 决策树分类算法的数学解析
- 7.2.3 决策树分类算法的具体步骤
- 7.3 在Python中使用决策树分类算法
- 7.4 决策树分类算法的使用场景
- 第8章 支持向量机分类算法
- 8.1 支持向量机：线性分类器的“王者”
- 8.1.1 距离是不同类别的天然间隔
- 8.1.2 何为“支持向量”
- 8.1.3 从更高维度看“线性不可分”
- 8.2 支持向量机分类的算法原理
- 8.2.1 支持向量机分类算法的基本思路
- 8.2.2 支持向量机分类算法的数学解析
- 8.2.3 支持向量机分类算法的具体步骤
- 8.3 在Python中使用支持向量机分类算法
- 8.4 支持向量机分类算法的使用场景
- 第9章 K-means聚类算法
- 9.1 用投票表决实现“物以类聚”
- 9.1.1 聚类问题就是“物以类聚”的实施问题
- 9.1.2 用“K”来决定归属类别
- 9.1.3 度量“相似”的距离
- 9.1.4 聚类问题中的多数表决
- 9.2 K-means聚类的算法原理
- 9.2.1 K-means聚类算法的基本思路
- 9.2.2 K-means聚类算法的数学解析
- 9.2.3 K-means聚类算法的具体步骤
- 9.3 在Python中使用K-means聚类算法
- 9.4 K-means聚类算法的使用场景
- 第10章 神经网络分类算法
- 10.1 用神经网络解决分类问题
- 10.1.1 神经元的“内心世界”
- 10.1.2 从神经元看分类问题
- 10.1.3 神经网络的“细胞”：人工神经元
- 10.1.4 构成网络的魔力
- 10.1.5 神经网络与深度学习
- 10.2 神经网络分类的算法原理
- 10.2.1 神经网络分类算法的基本思路
- 10.2.2 神经网络分类算法的数学解析
- 10.2.3 神经网络分类算法的具体步骤
- 10.3 在Python中使用神经网络分类算法
- 10.4 神经网络分类算法的使用场景
- 第11章 集成学习方法
- 11.1 集成学习方法：三个臭皮匠赛过诸葛亮
- 11.1.1 集成学习方法与经典机器学习算法的关系
- 11.1.2 集成学习的主要思想
- 11.1.3 几种集成结构
- 11.2 集成学习方法的具体实现方式
- 11.2.1 Bagging算法
- 11.2.2 Boosting算法
- 11.2.3 Stacking算法
- 11.3 在Python中使用集成学习方法
- 11.4 集成学习方法的使用场景
评分及书评
- 给这本书评了5.0
这是一本介绍机器学习的书，按常理来说，我应该首先介绍学习机器学习的重要性。可是，有必要吗？我记得约五年前，机器学习还是一个很有科幻色彩的术语，而现在技术学习圈几乎整版都换成了机器学习的各种模型，国内很多大学已经开始设立人工智能专业，机器学习当仁不让地成为核心课程。据说相关学者已经将该知识编制成课本，即将走入中学课堂。
给这本书评了5.0机器学习算法对于理解机器学习的各类算法很有帮助！
给这本书评了5.0对初学者关爱有加的AI入门书作者以近乎啰嗦的、不厌其烦的文笔，给初学者不断学习的勇气。值得 AI 入门者细读。
出版方
机械工业出版社有限公司
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
