内容简介
本书是机器学习领域的经典入门教程，由资深数据科学家Peter Harrington撰写，旨在帮助读者通过实际编程案例快速掌握机器学习的核心算法与应用。全书共分为四部分，涵盖分类、回归、聚类、降维等主流算法，并依托Python语言实现代码示例。
第一部分介绍监督学习算法，包括k-近邻算法、决策树、朴素贝叶斯、逻辑回归、支持向量机等，每个算法均从数学原理出发，辅以具体案例（如手写数字识别、电子邮件过滤）进行讲解。第二部分聚焦无监督学习，深入探讨k-均值聚类、层次聚类、奇异值分解等技术在数据挖掘中的应用。第三部分涉及数据预处理与特征工程，如主成分分析（PCA）和自然语言处理基础。第四部分则通过Apache Spark和Mahout等框架，展示机器学习在大数据环境下的实际部署。
本书最大的特色在于“实战”二字，每章均提供完整可运行的Python代码，读者可以在Jupyter Notebook中直接运行或修改。此外，书中附有大量数据集和调试技巧，帮助读者理解算法调参、过拟合处理等实操难点。无论是初学者还是有一定基础的开发者，都能通过本书建立系统的机器学习思维，并快速将算法应用到实际项目中。
目录
译者序
关于本书
关于作者
第一部分 分类
第1章 机器学习基础
1.1 何谓机器学习
1.2 关键术语
1.3 机器学习的主要任务
1.4 如何选择合适的算法
1.5 开发机器学习应用程序的步骤
1.6 Python语言的优势
1.7 NumPy函数库基础
1.8 本章小结
第2章 k-近邻算法
2.1 k-近邻算法概述
2.2 示例：使用k近邻算法改进约会网站的配对效果
2.3 示例：手写识别系统
2.4 本章小结
第3章 决策树
3.1 决策树的构造
关于本书
关于作者
第一部分 分类
第1章 机器学习基础
1.1 何谓机器学习
1.2 关键术语
1.3 机器学习的主要任务
1.4 如何选择合适的算法
1.5 开发机器学习应用程序的步骤
1.6 Python语言的优势
1.7 NumPy函数库基础
1.8 本章小结
第2章 k-近邻算法
2.1 k-近邻算法概述
2.2 示例：使用k近邻算法改进约会网站的配对效果
2.3 示例：手写识别系统
2.4 本章小结
第3章 决策树
3.1 决策树的构造
免责申明：
1. 本站分享的所有书籍均来源于自互联网，我们只进行收集整理，并不对书籍内容进行更改。
2. 部分书籍中可能有书籍压制者放置的广告，这并不是本站所为，请注意甄别。
3. 我们分享这些书籍，纯粹是出于知识分享的热情，以及对互联网分享精神的高度认同和践行，没有任何商业目的。
4. 本站分享的所有书籍，仅供个人学习研究使用，请勿用于任何商业用途，否则产生的一切法律纠纷与本站无关。
5. 如果这些书籍让你有所收获，在条件允许的情况下，请一定购买正版书籍，这是对创作者最好的支持。
6. 如果您是此书籍的版权所有者，且您不希望此作品出现在本站，请联系我们，我们将在收到您的请求后48时间内予以删除。
1. 本站分享的所有书籍均来源于自互联网，我们只进行收集整理，并不对书籍内容进行更改。
2. 部分书籍中可能有书籍压制者放置的广告，这并不是本站所为，请注意甄别。
3. 我们分享这些书籍，纯粹是出于知识分享的热情，以及对互联网分享精神的高度认同和践行，没有任何商业目的。
4. 本站分享的所有书籍，仅供个人学习研究使用，请勿用于任何商业用途，否则产生的一切法律纠纷与本站无关。
5. 如果这些书籍让你有所收获，在条件允许的情况下，请一定购买正版书籍，这是对创作者最好的支持。
6. 如果您是此书籍的版权所有者，且您不希望此作品出现在本站，请联系我们，我们将在收到您的请求后48时间内予以删除。
📖 支持知识自由流动
这本书的持续提供，需要服务器运行成本支持（约 3.7元/小时）
