機(jī)器學(xué)習(xí)是人工智能研究領(lǐng)域中一個(gè)極其重要的研究方向，在現(xiàn)今的大數(shù)據(jù)時(shí)代背景下，捕獲數(shù)據(jù)并從中萃取有價(jià)值的信息或模式，成為各行業(yè)求生存、謀發(fā)展的決定性手段，這使得這一過去為分析師和數(shù)學(xué)家所專屬的研究領(lǐng)域越來越為人們所矚目。

機(jī)器學(xué)習(xí)實(shí)戰(zhàn)第一部分主要介紹機(jī)器學(xué)習(xí)基礎(chǔ)，以及如何利用算法進(jìn)行分類，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、樸素貝葉斯算法、Logistic回歸算法、支持向量機(jī)、AdaBoost集成方法、基于樹的回歸算法和分類回歸樹（CART）算法等。第三部分則重點(diǎn)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、FP-Growth算法。第四部分介紹了機(jī)器學(xué)習(xí)算法的一些附屬工具。

全書通過精心編排的實(shí)例，切入日常工作任務(wù)，摒棄學(xué)術(shù)化語言，利用高效的可復(fù)用Python代碼來闡釋如何處理統(tǒng)計(jì)數(shù)據(jù)，進(jìn)行數(shù)據(jù)分析及可視化。通過各種實(shí)例，讀者可從中學(xué)會(huì)機(jī)器學(xué)習(xí)的核心算法，并能將其運(yùn)用于一些策略性任務(wù)中，如分類、預(yù)測(cè)、推薦。另外，還可用它們來實(shí)現(xiàn)一些更高級(jí)的功能，如匯總和簡(jiǎn)化等。

機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 目錄：
第一部分　分類
第1章　機(jī)器學(xué)習(xí)基礎(chǔ)　2
第2章　k-近鄰算法 　15
第3章　決策樹 　32
第4章　基于概率論的分類方法：樸素貝葉斯 　53
第5章　Logistic回歸 　73
第6章　支持向量機(jī)　89
第7章　利用AdaBoost元算法提高分類
第二部分　利用回歸預(yù)測(cè)數(shù)值型數(shù)據(jù)
第8章　預(yù)測(cè)數(shù)值型數(shù)據(jù)：回歸 　136
第9章　樹回歸　159
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(duì)未標(biāo)注數(shù)據(jù)分組　184
第11章　使用Apriori算法進(jìn)行關(guān)聯(lián)分析　200
第12章　使用FP-growth算法來高效發(fā)現(xiàn)頻繁項(xiàng)集　223
第四部分　其他工具
第13章　利用PCA來簡(jiǎn)化數(shù)據(jù)　242
第14章　利用SVD簡(jiǎn)化數(shù)據(jù)　252
第15章　大數(shù)據(jù)與MapReduce　270