《机器学习实战(python基础教程指南)》是一本介绍并实现机器学习的主流算法，面向日常任务的高效实战内容的书籍。这本书没有从理论角度来揭示机器学习算法背后的数学原理，而是通过“原理简述+问题实例+实际代码+运行效果”来介绍每一个算法。学习计算机的人都知道，计算机是一门实践学科，没有真正实现运行，很难真正理解算法的精髓。这本书的**大好处就是边学边用，适合于急需迈进机器学习领域的人员学习。实际上，即使对于那些对机器学习有所了解的人来说，通过代码实现也能进一步加深对机器学习算法的理解。**该书的代码采用Python语言编写。Python代码简单优雅、易于上手，科学计算软件包众多，已经成为不少大学和研究机构进行计算机教学和科学计算的语言。相信Python编写的机器学习代码也能让读者尽快领略到这门学科的精妙之处。
《机器学习》是一本内容全面；结构合理；叙述清楚；深入浅出面向中文读者的机器学习教科书。为了使尽可能多的读者通过本书对机器学习有所了解，作者试图尽可能少地使用数学知识。然而，少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此，本书更适合大学三年级以上的理工科本科生和研究，以及具有类似背景的对机器学习感兴趣的人士。为方便读者，本书附录给出了一些相关数学基础知识简介。
内容简介：
机器学习是人工智能研究领域中一个极其重要的研究方向。在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。《机器学习实战》主要介绍了机器学习基础以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法。第三部分则重点介绍了无监督学习及其一些主要算法。第四部分则介绍了一些附属工具。
《机器学习实战》是一本通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。
全书共16 章，大致分为3 个部分：第1 部分(第1～3 章)介绍机器学习的基础知识；第2 部分(第4～10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分(第11～16 章)为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。
本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
你好，你需要我帮你做什么吗？
.7.1 收集数据：导入RSS源
4.7.2 分析数据：显示地域相关的用词
4.8 本章小结
第5章 Logistic回归
5.1 基于Logistic回归和Sigmoid函数的分类
5.2 基于ZUI佳优化方法的ZUI佳回归系数确定
5.2.1 梯度上升法
5.2.2 训练算法：使用梯度上升找到ZUI佳参数
5.2.3 分析数据：画出决策边界
5.2.4 训练算法：随机梯度上升
5.3 示例：从疝气病症预测病马的死亡率
5.3.1 准备数据：处理数据中的缺失值
5.3.2 测试算法：用Logistic回归进行分类
5.4 本章小结
第6章 支持向量机
6.1 基于ZUI大间隔分隔数据
6.2 寻找ZUI大间隔
6.2.1 分类器求解的优化问题
6.2.2 SVM应用的一般框架
6.3 SMO高效优化算法
6.3.1 Platt的SMO算法
6.3.2 应用简化版SMO算法处理小规模数据集
6.4 利用完整Platt SMO算法加速优化
6.5 在复杂数据上应用核函数
6.5.1 利用核函数将数据映射到高维空间
6.5.2 径向基核函数
6.5.3 在测试中使用核函数
6.6 示例：手写识别问题回顾
6.7 本章小结
第二部分 利用回归预测数值型数据
第8章 预测数值型数据：回归
8.1 用线性回归找到ZUI佳拟合直线
8.2 局部加权线性回归
8.3 示例：预测鲍鱼的年龄
8.4 缩减系数来“理解”数据
你好，你需要我帮你做什么吗？
本章主要介绍了降维技术，包括PCA和SVD。PCA是一种常用的降维方法，它可以将高维数据映射到低维空间中，同时保留原始数据的大部分信息。在NumPy中实现PCA非常简单，只需要将数据矩阵转置并除以其协方差矩阵即可。接下来，我们将利用PCA对半导体制造数据进行降维。
示例：利用PCA对半导体制造数据降维
```python
import numpy as np
from sklearn.decomposition import PCA
# 加载数据
data = np.loadtxt("semiconductor_data.txt")
X = data[:,:-1]
y = data[:,-1]
# 利用PCA进行降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
```
大学毕业后，我先后在加利福尼亚和中国大陆的Intel公司工作。起初，我计划工作两年之后回学校读研究生，然而幸福的时光总是过得飞快，转眼间六年已经过去。那时，我意识到自己必须回到校园。我不想上夜校或进行在线学习，我只希望坐在大学校园里，吸收学校传授的所有知识。在大学里，*令人愉悦的部分并不是你所修的课程或从事的研究，而是一些外围活动：与人会面、参加研讨会、加入组织、旁听课程，以及学习未知的知识。
2008年，我参与筹备一场招聘会。当时，有一家大型金融机构向我提供了一个信用卡建模(判断某人是否会偿还贷款)岗位的工作机会。他们问我对随机分析了解多少，但那时我还不能确定“随机”一词的意思。他们提出的工作地点让我无法接受，于是我决定不再考虑这个岗位了。然而，“随机”这个词激发了我的好奇心，于是我查看课程目录，寻找包含“随机”字样的课程。很快，我发现了一门名为“离散随机系统”的课程。我没有注册就直接开始旁听了这门课，完成了课后作业并参加了考试。最终，这门课的授课教授发现了我，但她非常仁慈地让我继续学习，这使我深感感激。在这门课上，我首次看到了如何将概率应用于算法中。在此之前，我见过一些算法将平均值作为外部输入，但这次不同，方差和均值都是这些算法中的内部参数。
这门课主要讨论时间序列数据，其中每一段数据都是一个均匀间隔样本。后来，我还找到了另一门名为“机器学习”的课程。该课程中的数据并不假设满足时间的均匀间隔分布，它包含更多的算法，但严谨性有所降低。后来我意识到，在经济系、电子工程系和计算机科学系的课程中都会讲授类似的算法。
2009年初，我顺利毕业，并在硅谷谋得了一份软件咨询的工作。接下来的两年里，我在涉及不同技术的八家公司工作过。这段经历让我发现了两个贯穿整本书的主题：首先，为了开发出具有竞争力的应用，仅仅连接数据源是不够的，还需要做更多的事情；其次，用人单位希望员工既具备理论知识，又能够进行编程实践。
程序员的工作可以类比为连接管道，他们所连接的是数据流。这种工作为人们带来了巨大的财富。例如，开发一个在线出售商品的应用，主要部分是允许用户发布商品并浏览其他人发布的商品。为了实现这个功能，我们需要建立一个Web表单，让用户输入所售商品的信息，并将这些信息传输到一个数据存储区。然后，从数据存储区获取这些数据并适当地显示出来，以便用户查看其他用户发布的商品信息。
尽管如此，为了让应用更加智能，我们需要加入一些额外的元素。这些智能因素包括自动删除不适当的发布信息、检测不正当交易、推荐用户可能喜欢的商品以及预测网站流量等。为了实现这些目标，我们需要应用机器学习方法。对于最终用户来说，他们并不关心幕后的“魔法”，他们关心的是应用能够有效地运行，这也是好产品的标志。
一个机构会雇用一些理论家(思考者)以及一些做实际工作的人(执行者)。前者可能会将大部分时间花在学术工作上，他们的日常工作就是基于论文产生思路，然后通过高级工具或数学进行建模。后者则通过编写代码与真实世界交互，处理非理想世界中的瑕疵，比如崩溃的机器或者带噪声的数据。完全区分这两类人并不是个好想法，很多成功的机构都认识到这一点。(精益生产的一个原则就是，思考者应该自己动手去做实际工作。)当招聘经费有限时，谁更能得到工作，思考者还是执行者？很可能是执行者，但是现实中用人单位希望两种人都要。很多事情都需要做，但当应用需要更高要求的算法时，那么需要的人员就必须能够阅读论文，领会论文思路并通过代码实现，如此反复下去。
在这之前，我没有看到在机器学习算法方面缩小思考者和执行者之间差距的书籍。本书的目的就是填补这个空白，同时介绍机器学习算法的使用，使得读者能够构建更成功的应用。
