<內容簡介>

機器學習是人工智能研究領域中的一個極其重要的方向。在現今大數據時代的背景下，捕獲數據並從中萃取有價值的信息或模式，使得這一過去為分析師與數學家所專屬的研究領域越來越為人們矚目。
    《機器學習實戰》由哈林頓所著，本書通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效可復用的Python代碼闡釋如何處理統計數據，進行數據分析及可視化。讀者可從中學到一些核心的機器學習演算法，並將其運用於某些策略性任務中，如分類、預測及推薦等。
    《機器學習實戰》適合機器學習相關研究人員及因特網從業人員學習參考。

<目錄>

第一部分 分類
第1章  機器學習基礎
第2章  k-近鄰演算法
第3章  決策樹
第4章  基於概率論的分類方法：樸素貝葉斯
第5章  Logistic回歸
第6章  支持向量機
第7章  利用AdaBoost元演算法提高分類性能
第二部分 利用回歸預測數值型數據
第8章  預測數值型數據：回歸
第9章  樹回歸
第三部分 無監督學習
第10章  利用K-均值聚類演算法對未標註數據分組
第11章  使用Apriori演算法進行關聯分析
第12章  使用FP-growth演算法來高效發現頻繁項集
第四部分 其他工具
第13章  利用PCA來簡化數據
第14章  利用SVD簡化數據
第15章  大數據與MapReduce
附錄A Python入門
附錄B 線性代數
附錄C 概率論複習
附錄D 資源
索引
版權聲明