新书推荐:Machine Learning in Action

March 30, 2012
By

This post was kindly contributed by 数据科学与R语言 - go there to comment and to read the full post.


如果你经常阅读原版书籍,那你应该对那些印制精美的封面有很深刻的印象。例如O'Reilly的软件开发系列,都是采用最为简洁的黑白铜版画,主题是一两只珍稀动物。而另一家著名出版商Manning出的软件系列图书,封面上的图案均选自1799年初版于西班牙马德里的一本各地服装简编。这些丰富生动的图片表明了世界各个区域的独特个性。使用这种封面设计意在让这本简编中的图片重现于世,由此来庆祝计算机业的创意、进取和乐趣。

Manning的实战系列(IN ACTION),是为了使用户能快速上手,以解决实际中遇到的问题。基本上该系列书不大适合零基础的入门读者;目标读者是那些对书中知识有基础的了解,并有过简单的模仿实践,但是无法真正将该技术应用于实践的中初级读者。《Machine Learning in Action》正是这样一本中级进阶图书。它将基本的机器学习理论与实际的运用工具(Python)相结合。该书回避了复杂的数学原理(如果你需要机器学习背后的数学知识,可以参考The Elements of_Statistical Learning),提供了大量的案例和代码来实现各种机器学习算法。你可以略加改动就可以将这些代码用于数据处理、分析和可视化工作中。即使你不用Python也很有参考价值。


大纲目录:
PART 1 CLASSIFICATION 第一篇:分类
1.Machine learning basics 机器学习基础
2.Classifying with k-Nearest Neighbors K近邻分类器
3.Splitting datasets one feature at a time: decision trees 决策树分类器
4.Classifying with probability theory: naïve Bayes 朴素贝叶斯分类器
5.Logistic regression 逻辑回归分类器
6.Support vector machines 支持向量机分类器
7.Improving classification with the AdaBoost meta algorithm 提升算法

PART 2 FORECASTING NUMERIC VALUES WITH REGRESSION 第二篇:回归
8.Predicting numeric values: regression 回归预测
9.Tree-based regression 决策树回归

PART 3 UNSUPERVISED LEARNING 第三篇:非监督学习
10.Grouping unlabeled items using k-means clustering K均值聚类
11.Association analysis with the Apriori algorithm 关联分析
12.Efficiently finding frequent itemsets with FP-growth FP-Growth算法

PART 4 ADDITIONAL TOOLS 第四篇:其它工具
13.Using principal component analysis to simplify data 主成份分析
14.Simplifying data with the singular value decomposition 奇异值分解
15.Big data and MapReduce 大数据集与MapReduce

至于在哪下载,你知道的

Tags:

Comments are closed.