《机器学习系统设计》是一本不错的机器学习实战入门的书籍。第一章介绍了用于机器学习的Python相关工具，接下来分别用实战型例子讲解聚类、分类、回归、模式识别、降维等机器学习的主要的几种方法。
机器学习就是教机器自己来完成任务，机器学习的目标就是通过若干示例让机器学会完成任务。像其他工程一样，设计一个机器学习系统工作一般花在一些极其平凡的任务上：(1)读取和清洗数据；(2)探索和理解输入数据；(3)分析如何最好地将数据呈现给学习算法；(4)选择正确的学习算法和模型；(5)正确地评估性能。
分类是一种监督性学习(需要样本进行训练),书中第二章从最简单的肉眼观察方法，讲到K邻近算法和分类树方法。聚类是一种无监督学习，书中第三章一种比较典型的聚类方法——K均值(质心移动法)。主题模型不同于聚类，而是把对象放入几个组(叫做主题)中。分类、聚类和主题模型是主流的机器学习模型，是机器学习的基础知识，只有融会贯通这些基础知识才能在遇到更有挑战性地问题时能见招拆招。
设计机器学习系统免不了要对系统进行提升，我本基本有如下选择：(1)增加更多数据：也许我们没有为学习算法提供足够数据，因此增加更多的训练数据即可。(2)考虑模型复杂度：也许模型还不够复杂，或者已经太复杂了。例如在K邻近算法中 ,我们可以降低K值，使得较少的近邻被考虑进去，从而更好地预测不平滑数据。我们也可以提高K值，来得到相反的结果。(3)修改特征空间：也许我们的特征集合并不好。例如，我们可以改变当前特征的范围，或者设计新的特征。又或者，如果一些特征和另外一些特征是别名关系，可以删除一些特征。(4)改变模型：也许XX算法并不适合我们的问题，无论我们让模型变得有多复杂，无论特征空间会边得多负杂，它永远也得不到良好的预测结果。
逻辑回归是一种分类方法，当他处理基于文本的分类任务时，功能非常强大。朴素贝叶斯则是一种基于贝叶斯定理来进行分类的方法。
朴素贝叶斯算法是一种分类方法，被认为是最优美的且具有实际效用的机器学习算法之一。尽管名字叫做“朴素”，但实际上其分类效果并不简单。它在处理无关特征方面表现出色，能够自然地过滤掉这些特征。在使用朴素贝叶斯进行机器学习和预测时，速度快且所需存储空间较小。这是因为朴素贝叶斯基于一个假设：所有特征相互独立。虽然在实际应用中，这个假设很少成立，但即使在这种情况下，朴素贝叶斯仍然能达到很高的正确率。
回归预测模型中，首先介绍了一种古老的方法——普通最小二乘法回归(Ordinary Least Squares,OLS)。为了避免过拟合，有时会使用岭回归、Lasson法和弹性网等前沿方法。
Apriori算法是一种关联规则挖掘方法，它的目标是寻找一个具有高支持度的项集。Apriori算法解决的经典问题是购物篮问题(挖掘购买A的人可能还会购买什么)。当然，购物篮问题也可以尝试用基于概率的关联规则挖掘方法来解决。
对于涉及语音、音乐等样本的机器学习系统，描述值并不是那么明显。例如，在花朵分类问题中，对特征的描述(如花瓣数量、花朵颜色等)相对明确；然而，对于一段长3分钟的MP3歌曲，我们不能用MP3数据的每一比特来表示。书中介绍了一种基于音乐频率的分类方法(FFT),即快速傅里叶变换，可以从音频中提取频率强度。但实际上，FFT的正确率并不高。实际上，已经有人解决了音乐分类问题，甚至有一个每年举办的会议专门用来解决这一问题。这个组织是由音乐信息检索国际协会(ISMIR)组织的。显然，自动音乐体裁分类是音乐信息检索的一个子领域。在AMGC中，一个应用较多的音乐体裁分类方法是梅尔倒频谱系数(MFCC)技术。梅尔倒频谱(MFC)会对声音的功率谱进行编码，通过对信号谱的对数进行傅里叶变换得到。
对于图像、视频的机器学习系统，它们与前述内容不同，甚至可以单独研究。
总结：整本书主要以实战为主，介绍了许多基础的机器学习方法。可以作为入门级机器学习导读类书籍进行阅读。
