实用机器学习 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

Henrik，Brink，Joseph，W.，Richards ... 著，程继洪译

图书标签:

机器学习
实用
算法
Python
数据分析
数据挖掘
模型构建
Scikit-learn
人工智能
统计学习

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到静流书站

book.coffeedeals.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

出版社：机械工业出版社

ISBN：9787111569220

版次：1

商品编码：12083437

品牌：机工出版

包装：平装

丛书名：计算机科学先进技术译丛

开本：16开

出版时间：2017-06-01

用纸：胶版纸

字数：339

正文语种：中文

具体描述

产品特色

编辑推荐

本书获央视财经频道《第一时间》栏目推荐!

随着阿尔法狗在围棋领域高奏凯歌，人工智能领域已成为当前引人注目的风口，而机器学习又是这风口中的风头劲的热点。本书从实战角度剖析了机器学习的知识原理，读者无需担心遇到难懂的数学公式和推导，就能够将机器学习的知识应用在自己熟悉的领域。《实用机器学习》还包含了三个机器学习真是应用的综合案例，本书所有代码资源都可以通过网络下载，读者还可以登录GITHUB与全球的机器学习爱好者共同交流本书的学习体验。

内容简介

本书介绍了实用机器学习的工作流程，主要从实用角度进行了描述，没有数学公式和推导。本书涵盖了数据收集与处理、模型构建、评价和优化、特征的识别、提取和选择技术、高级特征工程、数据可视化技术以及模型的部署和安装，结合3个真实案例全面、详细地介绍了整个机器学习流程。后，还介绍了机器学习流程的扩展和大数据应用。

本书可以作为程序员、数据分析师、统计学家、数据科学家解决实际问题的参考书，也可以作为机器学习爱好者学习和应用的参考书，还可以作为非专业学生的机器学习入门参考书，以及专业学生的实践参考书。

作者简介

　　HenrikBrink（亨里克·布林克）是一名数据科学家，对应用机器学习进行工业和学术应用开发有着丰富的经验。

　　JosephRichards（约瑟夫W�崩聿樽龋┮彩且晃皇�据科学家，具有应用统计和预测分析方面的专业知识。Henrik和Joseph是Wise.io的联合创立者，Wise.io是一家提供工业机器学习解决方案的开发商。

　　MarkFetherolf（马克·弗特罗夫）是数据管理和预测分析公司NuminaryDataScience的创始人和总裁。他曾在社会科学研究、化学工程、信息系统性能、容量规划、有线电视和在线广告应用等方面担任统计师和分析数据库开发人员。

精彩书评

　　NULL

精彩书摘

　　《实用机器学习》：
　　真实的故事
　　在你开始构建模型之前，我们要告诉你首次解决问题的真实故事，那真的是超级糟糕，只是我们假装很成功，是那种失败的不能再失败的失败，以及我们如何改正。这种“弯路”在实际数据工作中是很常见的，因此把它包含在这里学习一下是很有帮助的。机器学习工作最重要的是警惕两种陷阱：太好而不真实的情况和没有根据的（非来源于数据的）不成熟假设。
　　作为机器学习的一条总体原则，如果交叉验证的准确度高于你的期望，那很有可能是你的模型某些地方出现了异常。作为数据科学家，现实世界总会想办法给你制造一些困难。在构建有小费／无小费的分类模型时，我们很快得到了较高的交叉验证预测准确性的模型。对于新获得的数据模型性能如此之好，使我们很兴奋，我们认为可行，暂时忽略了模型欺骗的警告。一朝被蛇咬的事我们见得多了，过于乐观的结果迫使我们做进一步的调查。
　　我们关心的一个问题是输入特征的重要度（在后面的小节有更详细的论述）。在这个例子中，有一个特征“支付类型”控制着模型的特征重要度。
　　从我们自己的出租车经验来看，这是比较有意义的。用信用卡付款（前广场时代）的乘客付小费的概率更低。如果现金支付，无论怎样都会找零。因此我们开始对信用卡而不是现金付费的乘客的小费和无小费的数目进行区分。事实证明数以百万计的用信用卡付费的乘客绝大多数（超过95%）支付小费。
　　理论上就是这样了。那么，到底多少人信用卡支付小费呢？所有的人吗？
　　事实上，现金付费的乘客一个也没有给小费的！这立即变得很明显了。当乘客现金付费也给了小费时，司机并没有记录的必要，作为我们数据的一部分。通过我们机器学习精确的分析，我们发现，在NYC出租车系统中存在数以百万计的虚假记录！
　　让我们回到对机器学习模型的影响上：在这种情况下，当数据产生时存在问题，就不能简单地相信这些数据，并用于机器学习建模。在不正常的方式下，如果结果是不正确的，那么机器学习模型学习的就有可能全是错误的，是与现实分离的。
　　……

前言/序言

　　《实用机器学习》的读者对象是针对想要把机器学习应用于实际问题的人。它详细阐述了机器学习的主要组成部分：工作流程、算法和工具。关注点是著名算法的实际应用，而不是创建一个算法。构建和使用机器学习模型的每个步骤都有详细描述，并有从简单到中等复杂的实例与之对应。

　　主要内容

　　第1部分，“机器学习工作流程”介绍基本的机器学习工作流程，并分章节对每个步骤加以介绍。

　　第1章，“什么是机器学习”介绍机器学习的应用领域和用途。

　　第2章，“实用数据处理”，详细介绍机器学习流程中的数据处理和准备工作。

　　第3章，“建模和预测”，介绍构建简单的机器学习模型，并利用应用广泛的算法和库进行预测。

　　第4章，“模型评估和优化”，深入研究机器学习模型，并对其进行评估和性能优化。

　　第5章，“基础特征工程”，介绍利用领域知识对原始数据进行提高的常用方法。

　　第2部分，“实际应用”，介绍模型规模化和从文本、图片和时间序列数据中提取特征的技术，来提高绝大多数现代机器学习的性能。本部分包括3个有完整实例的章节。

　　第6章，“实例：NYC出租车数据”，这是第一个完整实例章节，会预测乘客的倾向性行为。

　　第7章，“高级特征工程”，包含高级特征工程过程，介绍从自然语言的文本、图片和时序序列数据中提取有价值的数据。

　　第8章，“NLP高级案例：电影评论情感预测”，运用高级特征工程知识预测在线电影评论的情感。

　　第9章，“扩展机器学习流程”，介绍扩大机器学习系统的数据规模、预测吞吐量和降低预测间隔的技术。

　　第10章，“案例：数字显示广告”，构建大型数据的模型，预测数字广告点击行为。

　　如何使用本书

　　如果你是机器学习新手，第1~5章将引导你学习研究和准备数据、特征工程、建模和模型评估过程。Python实例采用流行的数据处理、pandas和Scikit-Learn机器学习库。第6~10章，包括3个实际机器学习案例、高级特征工程和优化的话题。由于学习库封装了大部分的复杂性，因此代码示例可以很容易地应用到你自己的机器学习系统中。

　　目标读者

　　本书可以使程序员、数据分析师、统计学家、数据科学家和其他专业人士将机器学习应用于实际问题，或者简单地理解它。他们将获得实用数据建模、优化和开发机器学习系统的经验，而没必要了解特定算法的理论推导。机器学习的数学基础是针对感兴趣的人的，某些算法在较高的层次上进行解释，本书提供给那些想深入学习的人，我们的焦点是获得实际结果以解决手头的问题。

　　代码约定，下载和软件需求

　　本书包含许多示例源代码，或者以编号的清单出现，或者嵌入在正文中，但无论哪种情况，都以固定宽度的这种字体显示，以区别于正常的文本。

　　源代码使用Python，pandas和Scikit-Learn编写。与章节相应的iPython笔记文件可在GitHub上下载，地址为https://github�眂om/brinkar/real-world-machine-learning，也可以通过关注机械工业出版社计算机分社官方微信订阅号“IT有得聊”，输入5位数号“56922”后获得资源下载链接，还可以登录golden-book.com搜索本书并进行下载。

　　笔记文件（扩展名为�眎pynb）与章节相对应。样本数据包含在data文件夹中，只要必需的库随iPython一起安装，那么所有的笔记文件都能执行。图形由matplotlib和Seaborn的pyplot模块生成。

　　在有些情况下，由iPython产生的图形被提取出来作为本书的插图（为了适应打印质量和电子书显示，有些已经做了修改）。

《数据科学的艺术与实践》在信息爆炸的时代，数据如同璀璨的星辰，散落在数字宇宙的每一个角落。然而，要从这些海量的数据中提取出有价值的洞见，解决实际问题，需要一套系统的方法论和精湛的技艺。《数据科学的艺术与实践》正是这样一本旨在带领读者踏上这段探索之旅的指南。它并非仅仅罗列枯燥的算法和公式，而是将数据科学视为一门融合了科学严谨性、技术创新性以及艺术直觉的综合性学科，深入浅出地阐述了从数据采集、清洗、探索性分析到建模、评估和部署的全过程。本书的核心理念在于强调数据科学的“艺术”与“实践”并重。所谓的“艺术”，指的是在面对复杂多变的数据时，运用创造性思维、问题分解能力以及领域知识，设计出最适合的解决方案。而“实践”，则意味着将理论知识转化为可执行的代码，在真实世界的数据集上进行验证和优化。作者认为，优秀的数据科学家不仅是技术娴熟的工程师，更是善于观察、善于提问、善于沟通的艺术家。开篇，本书便将读者引入数据科学的宏大图景。我们将从数据科学的历史演进谈起，了解它如何从统计学、计算机科学等学科中汲取养分，逐渐成长为一门独立的、跨学科的领域。接着，本书会详细介绍数据科学在不同行业的应用案例，从金融风控、医疗诊断到市场营销、内容推荐，让读者直观地感受到数据科学如何赋能传统产业，催生新的商业模式。这部分内容将帮助读者建立对数据科学的整体认知，理解其重要的社会和经济价值，激发学习的兴趣。随后，本书将深入探讨数据科学的基石——数据本身。数据采集是数据科学的起点，而数据的质量直接决定了最终分析结果的可靠性。本书将详细介绍各种数据采集的渠道和技术，包括但不限于网页抓取、API接口、数据库查询、传感器数据以及人工收集。特别地，本书会强调数据隐私、伦理和合规性在数据采集过程中的重要性，引导读者建立负责任的数据处理观念。数据的“脏”是现实世界的常态，而数据清洗和预处理则是数据科学家最耗时但也最关键的工作之一。本书将系统地梳理数据清洗的常见挑战，如缺失值、异常值、重复数据、格式不一致以及数据类型错误。读者将学习到各种行之有效的数据清洗技术，包括但不限于插补法（均值、中位数、回归插补）、异常值检测与处理（Z-score、IQR、Isolation Forest）、数据去重、数据标准化与归一化、文本数据清洗（去除标点、停用词、词干提取、词形还原）等。本书将提供大量实际案例，指导读者如何根据数据的具体情况，灵活运用不同的清洗策略，将原始数据转化为结构化、干净、可用于分析的数据集。在数据清洗完毕后，探索性数据分析（EDA）便成为揭示数据内在规律的关键步骤。 EDA不仅仅是简单地计算描述性统计量，更重要的是通过可视化和统计方法，对数据进行深入的理解和探索。本书将详细介绍各种强大的EDA技术，包括但不限于：描述性统计：均值、中位数、方差、标准差、分位数、偏度和峰度等，用于概括数据的集中趋势、离散程度和分布形态。数据可视化：单变量可视化：直方图、箱线图、密度图，用于观察单个变量的分布特征。双变量可视化：散点图、折线图、条形图，用于探究两个变量之间的关系。多变量可视化：热力图、平行坐标图、散点图矩阵，用于探索多个变量之间的关联性。地理空间可视化：地图可视化，用于分析与地理位置相关的数据。本书将强调如何选择合适的可视化图表来有效地传达信息，以及如何利用可视化发现数据中的模式、趋势、异常和潜在的变量关系。数据探索的目的是为了更好地进行建模。本书将系统地介绍一系列经典和现代的数据建模方法，并根据不同的问题类型进行分类讲解：监督学习：回归问题：线性回归、多项式回归、岭回归、Lasso回归、支持向量回归（SVR）、决策树回归、随机森林回归、梯度提升回归（如XGBoost, LightGBM）。我们将深入探讨模型的原理、适用场景、优缺点，以及如何通过特征工程和模型调优来提升回归性能。分类问题：逻辑回归、K近邻（KNN）、支持向量机（SVM）、朴素贝叶斯、决策树、随机森林、梯度提升分类器。本书将详细讲解这些算法的分类原理，并探讨类别不平衡、特征选择、模型评估指标（准确率、精确率、召回率、F1分数、ROC曲线、AUC值）等关键问题。无监督学习：聚类： K-Means、DBSCAN、层次聚类。我们将学习如何识别数据中的自然分组，以及如何评估聚类结果的质量。降维：主成分分析（PCA）、t-SNE、UMAP。本书将讲解如何在高维数据中提取关键特征，以简化模型、提高效率或进行可视化。关联规则挖掘： Apriori算法，用于发现数据项之间的有趣关联，常用于市场篮子分析。时间序列分析： ARIMA、Prophet、LSTM等模型，用于预测未来趋势，分析季节性、周期性等模式。网络分析：图算法、中心性度量，用于分析节点之间的关系和连接结构。在选择并训练模型之后，模型评估和选择是至关重要的环节。本书将详细介绍交叉验证（K折交叉验证、留一法）、网格搜索、随机搜索等模型选择和超参数调优技术。我们将深入分析过拟合和欠拟合的成因，并提供相应的解决策略，如正则化、早停、增加数据等。通过大量的实例，读者将学会如何客观地评价模型的性能，并选择最适合特定任务的模型。模型的生命周期并未随着评估结束而终结。本书还将探讨模型的部署和监控。我们将介绍如何将训练好的模型集成到生产环境中，例如通过RESTful API、批处理任务或实时流处理。同时，我们还会讨论模型在实际运行中的漂移问题（数据漂移、概念漂移），以及如何通过持续的监控和再训练来保持模型的有效性。除了核心的建模技术，本书还将穿插讲解数据科学实践中的重要主题：特征工程：如何从原始数据中提取、转换和创建有意义的特征，是提升模型性能的关键。我们将探讨特征选择、特征提取、特征交互、编码技术（独热编码、标签编码）、多项式特征等。领域知识的融合：强调数据科学家需要与业务专家紧密合作，将领域知识融入数据分析和模型构建过程中，从而获得更具洞察力的结果。结果的解释与沟通：学习如何清晰、准确地向非技术人员解释复杂的模型结果和分析洞见，这包括使用图表、故事叙述等多种方式，确保决策者能够理解并采纳建议。可复现性与版本控制：介绍使用Git等工具进行代码版本控制，以及如何构建可复现的数据分析流程，确保研究的可信度和可追溯性。《数据科学的艺术与实践》不仅仅是一本教科书，更是一本实践指南。全书穿插了丰富的代码示例（使用Python及其主流数据科学库，如NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn, Statsmodels等），并提供了多个真实世界的数据集供读者练习。每一章都配有思考题和实践任务，鼓励读者动手实践，将所学知识融会贯通。本书适合以下人群：对数据驱动的决策过程充满好奇的技术从业者，希望系统学习数据科学的方法和工具。希望在工作中运用数据解决实际问题的工程师、分析师、产品经理等。对机器学习和人工智能感兴趣，但不知道如何入门的学生和研究人员。希望提升数据分析和建模能力的业务专家。通过学习《数据科学的艺术与实践》，读者将不仅仅掌握一系列的数据科学技术，更能培养一种严谨、创新、务实的科学思维方式，以及用数据赋能决策的艺术。这本书将是您在数据海洋中航行的可靠罗盘，助您发现宝藏，引领变革。

用户评价

评分☆☆☆☆☆

说实话，我一开始对这本书并没有抱太大的期望，毕竟“实用”二字常常意味着牺牲深度，沦为一本“鸡汤”式的速成指南。但事实证明，我的顾虑是多余的。这本书的“实用”体现在它对机器学习核心概念的精准把握和对落地应用的深刻洞察。作者并没有回避复杂的问题，而是以一种非常接地气的方式，将那些曾经让我望而却步的算法，比如“支持向量机”和“决策树”，变得生动有趣。他擅长从宏观层面勾勒出算法的“为何”和“如何”，然后再逐步深入到细节。我尤其欣赏书中关于“模型调优”的讨论，它不仅仅是简单地介绍网格搜索或随机搜索，而是深入探讨了参数选择背后的原理，以及如何根据实际需求来权衡模型的复杂度与泛化能力。而且，书中关于“机器学习项目生命周期”的介绍，让我对整个流程有了更清晰的认识，从问题定义、数据收集，到模型部署和监控，每一个环节都考虑得非常周全。这对于像我这样，希望将机器学习技术真正应用于实际业务场景的人来说，无疑是一份宝贵的指南。它让我意识到，机器学习并非高高在上的技术，而是可以切实解决业务问题的强大工具。

评分☆☆☆☆☆

作为一名在数据分析领域摸爬滚打多年的从业者，我一直对机器学习充满好奇，但又苦于没有系统性的入门指导。市面上关于机器学习的书籍琳琅满目，但大多数要么过于理论化，要么过于浅尝辄止。直到我翻开这本书，才找到了我一直想要的“答案”。它并非仅仅罗列算法，而是巧妙地将理论与实践融为一体。作者在讲解每一个算法时，都会首先阐述其核心思想，然后深入剖析其数学原理，最后通过精炼的代码示例进行演示。我特别欣赏书中关于“特征工程”的章节，它强调了数据预处理的重要性，并提供了多种有效的特征提取和转换方法。例如，作者详细讲解了如何处理缺失值、离群点，如何进行特征缩放和编码，这些都是在实际项目中经常遇到的挑战。此外，书中还穿插了一些实际案例分析，让我得以窥见机器学习在不同行业中的应用，例如用户画像构建、欺诈检测等，这极大地拓展了我的视野，也让我对未来的工作充满了新的灵感。虽然某些章节的技术深度可能需要一些基础知识的支持，但总体而言，这本书的结构清晰，逻辑严谨，是任何想要在机器学习领域深入探索的专业人士都值得一读的宝藏。

评分☆☆☆☆☆

这本书给我最大的感受是它的“平衡”。它在理论深度和实践指导之间找到了一个完美的契合点，既不至于让你迷失在抽象的概念中，也不会让你止步于浅显的表面。作者在讲解每一个算法的时候，都会预设读者可能遇到的问题，并提前给出解答。例如，在讲解“聚类算法”时，作者详细分析了K-Means算法的优缺点，并介绍了如何选择合适的K值，还探讨了其他更鲁棒的聚类方法。这种“未雨绸缪”式的讲解方式，让我感觉非常贴心。而且，书中关于“深度学习”的部分，虽然篇幅不长，但却抓住了核心要点，介绍了卷积神经网络（CNN）和循环神经网络（RNN）的基本原理和应用场景。这对于想要了解前沿技术，但又不想花费大量时间钻研数学细节的读者来说，是一个非常好的切入点。此外，书中提供的丰富的参考文献和进一步阅读的建议，也为我提供了探索更广阔知识领域的途径。总而言之，这本书的结构设计和内容安排都非常用心，它就像一位经验丰富的老师，循循善诱地引导我一步步走进机器学习的世界。

评分☆☆☆☆☆

坦白说，我是一个对新技术充满热情，但学习能力相对较弱的“小白”。在接触这本书之前，我对机器学习的概念几乎一无所知，脑子里只有一些模糊的“人工智能”的印象。这本书的出现，彻底改变了我的看法。作者以一种非常亲切、极具耐心的方式，将机器学习的“神秘面纱”一点点揭开。我特别喜欢书中关于“决策边界”和“梯度下降”的讲解，它们通常是新手最容易感到困惑的地方，但作者用非常直观的图示和生动的类比，让我茅塞顿开。比如，将决策边界比作一条“划分线”，将梯度下降比作“下山找最低点”，这些简单的比喻，却能瞬间点燃我理解的火花。而且，书中还专门辟出章节来讲解“如何选择合适的模型”，这对于像我这样选择困难症的人来说，简直是福音。作者根据不同的问题类型和数据特征，给出了清晰的建议，让我不再盲目尝试。这本书就像一本“机器学习百科全书”，它包罗万象，却又条理清晰，让我感到学习机器学习不再是一件遥不可及的事情，而是充满乐趣和成就感的探索之旅。

评分☆☆☆☆☆

这本书真是出乎我的意料！我原本以为会是一本枯燥的技术手册，充斥着晦涩难懂的公式和算法，但实际阅读下来，却被它的通俗易懂和实践导向深深吸引。作者用非常形象的比喻和生活化的例子，将复杂的机器学习概念一一拆解，让我这个非科班出身的读者也能轻松理解。例如，在讲解“监督学习”时，作者并没有直接抛出“特征”、“标签”这些术语，而是通过一个“教小孩子认识猫狗”的故事，将“输入特征”比作小狗的耳朵、尾巴，将“输出标签”比作“这是猫”或“这是狗”，瞬间就点亮了我对这个概念的理解。再比如，在讲解“过拟合”时，作者拿“死记硬背考试答案”来类比，生动形象地说明了模型在训练数据上表现优异，但在新数据上却表现糟糕的原因。这种“润物细无声”的教学方式，让我不仅记住了知识点，更理解了其背后的逻辑。而且，书中提供的代码示例也非常实用，可以直接复制代码到自己的环境中运行，调试和验证，极大地提高了我的学习效率。我尤其喜欢书中关于“模型评估”的章节，它不仅仅是罗列各种评估指标，而是深入浅出地解释了为什么需要这些指标，以及在不同场景下应该如何选择和解读它们。总之，这本书是我在机器学习领域的一个绝佳的启蒙读物，让我从“知其然”走向了“知其所以然”。

评分☆☆☆☆☆

入门确实是很好，没有太多复杂公式，但涉及面还是稍微窄了点

评分☆☆☆☆☆

看到有优惠，凑基本书一起买，比单买划算多了

评分☆☆☆☆☆

包装很好，很实用的一本书

评分☆☆☆☆☆

实用机器学习，学习一下，希望能用到专业研究中！

评分☆☆☆☆☆

好好阅读好好阅读好好阅读好好阅读

评分☆☆☆☆☆

书看了一半了，基本上都是理论