1?前言

前幾天惧浴，StrongerTang分享了《動手學(xué)深度學(xué)習(xí)》(點擊即可閱讀)腿堤，受到了不少朋友的肯定袭蝗。有朋友留言要求分享一下以Python 為基礎(chǔ)的機器學(xué)習(xí)實戰(zhàn)編程書籍：《Machine Learning In Action》徙赢，也就是中文版廣為流傳的《機器學(xué)習(xí)實戰(zhàn)》赂弓，小湯本著一直堅持的“好資源大家一起分享，共同學(xué)習(xí)懈贺，共同進步”的初衷经窖，于是便去找了資料坡垫，而且還是中英文兩個版本都有梭灿，分享給有需要的小伙伴，也希望有更多的朋友能在StrongerTang相遇冰悠。

《機器學(xué)習(xí)實戰(zhàn)》通過精心編排的實例堡妒，切入日常工作任務(wù)，摒棄學(xué)術(shù)化語言溉卓，利用高效的可復(fù)用Python代碼來闡釋如何處理統(tǒng)計數(shù)據(jù)皮迟，進行數(shù)據(jù)分析及可視化搬泥。通過各種實例，讀者可從中學(xué)會機器學(xué)習(xí)的核心算法伏尼，并能將其運用于一些策略性任務(wù)中忿檩，如分類、預(yù)測爆阶、推薦燥透。另外，還可用它們來實現(xiàn)一些更高級的功能辨图，如匯總和簡化等班套。

《機器學(xué)習(xí)實戰(zhàn)》主要有?以下4 個優(yōu)點：

不調(diào)包，從0寫起實現(xiàn)主流機器學(xué)習(xí)算法故河；

所有代碼基于Python 3吱韭；

實例詳細分解，逐步指導(dǎo)使用算法跑出模型鱼的；

實戰(zhàn)與理論交叉理盆，通過實戰(zhàn)加深理論知識；

資料免費獲取

1.搜索?公凑阶，熏挎。-眾z,./號:?StrongerTang

2.回復(fù)關(guān)鍵詞：機器學(xué)習(xí)實戰(zhàn)

聲明：此資料免費分享，僅作知識分享晌砾，勿用于任何商業(yè)用途坎拐。贈人玫瑰，手有余香养匈！

2?簡介

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ·?·?·?·?·?·作者簡介??·?·?·?·?·?·

Peter Harrington

擁有電氣工程學(xué)士和碩士學(xué)位哼勇，他曾經(jīng)在美國加州和中國的英特爾公司工作7年。Peter擁有5項美國專利呕乎，在三種學(xué)術(shù)期刊上發(fā)表過文章积担。他現(xiàn)在是Zillabyte公司的首席科學(xué)家，在加入該公司之前猬仁，他曾擔(dān)任2年的機器學(xué)習(xí)軟件顧問帝璧。Peter在業(yè)余時間還參加編程競賽和建造3D打印機。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?·?·?·?·?·?·內(nèi)容簡介??·?·?·?·?·?·

《機器學(xué)習(xí)實戰(zhàn)》第一部分主要介紹機器學(xué)習(xí)基礎(chǔ)湿刽，以及如何利用算法進行分類的烁，并逐步介紹了多種經(jīng)典的監(jiān)督學(xué)習(xí)算法，如k近鄰算法诈闺、樸素貝葉斯算法渴庆、Logistic回歸算法、支持向量機、AdaBoost集成方法襟雷、基于樹的回歸算法和分類回歸樹（CART）算法等刃滓。第三部分則重點介紹無監(jiān)督學(xué)習(xí)及其一些主要算法：k均值聚類算法、Apriori算法耸弄、FP-Growth算法咧虎。第四部分介紹了機器學(xué)習(xí)算法的一些附屬工具。

主要面向希望了解深度學(xué)習(xí)计呈，特別是對實際使用深度學(xué)習(xí)感興趣的大學(xué)生老客、工程師和研究人員。閱讀本書不要求讀者有任何深度學(xué)習(xí)或者機器學(xué)習(xí)的背景知識震叮，讀者只需具備基本的數(shù)學(xué)和編程知識胧砰，如基礎(chǔ)的線性代數(shù)、微分苇瓣、概率及Python編程知識尉间。附錄中提供了書中涉及的主要數(shù)學(xué)知識，供讀者參考击罪。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ·?·?·?·?·?·目錄??·?·?·?·?·?·

第一部分 分類

第1章　機器學(xué)習(xí)基礎(chǔ)　

1.1 　何謂機器學(xué)習(xí)

1.2 　關(guān)鍵術(shù)語

1.3 　機器學(xué)習(xí)的主要任務(wù)

1.4 　如何選擇合適的算法

1.5 　開發(fā)機器學(xué)習(xí)應(yīng)用程序的步驟

1.6? ? Python語言的優(yōu)勢

1.7? ? NumPy函數(shù)庫基礎(chǔ)

1.8 　本章小結(jié)

第2章　k-近鄰算法?

2.1? ? ?k-近鄰算法概述

2.2 　示例：使用k-近鄰算法改進約會網(wǎng)站的配對效果

2.3 　示例：手寫識別系統(tǒng)

2.4 　本章小結(jié)

第3章　決策樹 　

3.1 　決策樹的構(gòu)造

3.2 　在Python中使用Matplotlib注解繪制樹形圖

3.3 　測試和存儲分類器

3.4 　示例：使用決策樹預(yù)測隱形眼鏡類型

3.5 　本章小結(jié)

第4章　基于概率論的分類方法：樸素貝葉斯 　　

4.1 　基于貝葉斯決策理論的分類方法

4.2 　條件概率

4.3 　使用條件概率來分類

4.4 　使用樸素貝葉斯進行文檔分類

4.5 　使用Python進行文本分類

4.6 　示例：使用樸素貝葉斯過濾垃圾郵件

4.7 　示例：使用樸素貝葉斯分類器從個人廣告中獲取區(qū)域傾向

4.8 　本章小結(jié)

第5章　Logistic回歸?

5.1 　基于Logistic回歸和Sigmoid函數(shù)的分類

5.2 　基于最優(yōu)化方法的最佳回歸系數(shù)確定

5.3 　示例：從疝氣病癥預(yù)測病馬的死亡率

5.4 　本章小結(jié)

第6章　支持向量機

6.1 　基于最大間隔分隔數(shù)據(jù)

6.2 　尋找最大間隔

6.3? ??SMO高效優(yōu)化算法

6.4 　利用完整Platt SMO算法加速優(yōu)化

6.5 　在復(fù)雜數(shù)據(jù)上應(yīng)用核函數(shù)

6.6 　示例：手寫識別問題回顧

6.7 　本章小結(jié)

第7章　利用AdaBoost元算法提高分類性能 　　

7.1 　基于數(shù)據(jù)集多重抽樣的分類器

7.2 　訓(xùn)練算法：基于錯誤提升分類器的性能

7.3 　基于單層決策樹構(gòu)建弱分類器

7.4 　完整AdaBoost算法的實現(xiàn)

7.5 　測試算法：基于AdaBoost的分類

7.6 　示例：在一個難數(shù)據(jù)集上應(yīng)用AdaBoost

7.7 　非均衡分類問題

7.8 　本章小結(jié)

第二部分　利用回歸預(yù)測數(shù)值型數(shù)據(jù)

第8章　預(yù)測數(shù)值型數(shù)據(jù)：回歸 　　

8.1 　用線性回歸找到最佳擬合直線

8.2 　局部加權(quán)線性回歸

8.3 　示例：預(yù)測鮑魚的年齡

8.4 　縮減系數(shù)來“理解”數(shù)據(jù)

8.5 　權(quán)衡偏差與方差

8.6 　示例：預(yù)測樂高玩具套裝的價格

8.7 　本章小結(jié)

第9章　樹回歸　

9.1 　復(fù)雜數(shù)據(jù)的局部性建模

9.2 　連續(xù)和離散型特征的樹的構(gòu)建

9.3 　將CART算法用于回歸

9.4 　樹剪枝

9.5 　模型樹

9.6 　示例：樹回歸與標準回歸的比較

9.7 　使用Python的Tkinter庫創(chuàng)建GUI

9.8 　本章小結(jié)

第三部分　無監(jiān)督學(xué)習(xí)

第10章　利用K-均值聚類算法對未標注數(shù)據(jù)分組　

10.1? ? ?K-均值聚類算法

10.2 　使用后處理來提高聚類性能

10.3 　二分K-均值算法

10.4 　示例：對地圖上的點進行聚類

10.5 　本章小結(jié)

第11章　使用Apriori算法進行關(guān)聯(lián)分析　

11.1 　關(guān)聯(lián)分析

11.2? ? Apriori原理

11.3 　使用Apriori算法來發(fā)現(xiàn)頻繁集

11.4 　從頻繁項集中挖掘關(guān)聯(lián)規(guī)則

11.5 　示例：發(fā)現(xiàn)國會投票中的模式

11.6 　示例：發(fā)現(xiàn)毒蘑菇的相似特征

11.7 　本章小結(jié)

第12章　使用FP-growth算法來高效發(fā)現(xiàn)頻繁項集　

12.1 ?? FP樹：用于編碼數(shù)據(jù)集的有效方式

12.2 　構(gòu)建FP樹

12.3 　從一棵FP樹中挖掘頻繁項集

12.4 　示例：在Twitter源中發(fā)現(xiàn)一些共現(xiàn)詞

12.5 　示例：從新聞網(wǎng)站點擊流中挖掘

12.6 　本章小結(jié)

第四部分　其他工具

第13章　利用PCA來簡化數(shù)據(jù)　

13.1 　降維技術(shù)

13.2 ?? PCA13.3 　示例：利用PCA對半導(dǎo)體制造數(shù)據(jù)降維

13.4 　本章小結(jié)

第14章　利用SVD簡化數(shù)據(jù)　　

14.1? ? SVD的應(yīng)用

14.2 　矩陣分解

14.3 　利用Python實現(xiàn)SVD

14.4 　基于協(xié)同過濾的推薦引擎

14.5 　示例：餐館菜肴推薦引擎

14.6 　基于SVD的圖像壓縮

14.7 　本章小結(jié)

第15章　大數(shù)據(jù)與MapReduce

15.1 ?? ?MapReduce：分布式計算的框架

15.2? ??Hadoop流

15.3 　在Amazon網(wǎng)絡(luò)服務(wù)上運行Hadoop程序

15.4? ? MapReduce上的機器學(xué)習(xí)

15.5 　在Python中使用mrjob來自動化MapReduce

15.6 　示例：分布式SVM的Pegasos算法

15.7 　你真的需要MapReduce嗎哲嘲？

15.8 　本章小結(jié)

附錄A? Python入門

附錄B? 線性代數(shù)

附錄C? 概率論復(fù)習(xí)

附錄D? 資源

小湯本著交流學(xué)習(xí)的角度，在文末分享了該書的電子版媳禁，需要的小伙伴可以免費下載獲取眠副。但請勿用于任何商業(yè)用途，僅供自身學(xué)習(xí)參考使用竣稽。

當(dāng)然囱怕，StrongerTang強烈支持該書版權(quán)所屬，對于喜歡紙質(zhì)實體書閱讀的朋友毫别，建議購買正版書籍閱讀娃弓。

4 源碼分享

原書配套的代碼是基于 Python2 實現(xiàn)的，而且部分代碼存在bug岛宦，西安電子科技大學(xué)的一名研二在讀學(xué)生wzy6642對書中的 Python 2 代碼重新做了整理台丛，全部代碼可在 Python3 環(huán)境下運行。所有的源程序中砾肺，文件夾名稱的命名規(guī)則為：算法名稱+對應(yīng)書中的第幾個案例挽霉，因為數(shù)據(jù)量比較大，所以少數(shù)幾個案例采用壓縮包上傳的方式变汪。

Python 3 代碼實現(xiàn)相應(yīng)的 GitHub 地址如下：

https://github.com/wzy6642/Machine-Learning-in-Action-Python3

除此之外侠坎，還有一位機器學(xué)習(xí)愛好者按照書中章節(jié)順序，使用 jupyter notebook疫衩，非常好地實現(xiàn)了基于 Python3 的源代碼（包括 .ipynb 文件）硅蹦。目前在 GitHub 上已經(jīng)超過 2000 star 了。地址如下：

https://github.com/pbharrin/machinelearninginaction