機器學習是人工智能研究領域中一個極其重要的研究方向，在現(xiàn)今的大數(shù)據(jù)時代背景下，捕獲數(shù)據(jù)并從中萃取有價值的信息或模式，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)學家所專屬的研究領域越來越為人們所矚目。

機器學習實戰(zhàn)第一部分主要介紹機器學習基礎，以及如何利用算法進行分類，并逐步介紹了多種經(jīng)典的監(jiān)督學習算法，如k近鄰算法、樸素貝葉斯算法、Logistic回歸算法、支持向量機、AdaBoost集成方法、基于樹的回歸算法和分類回歸樹（CART）算法等。第三部分則重點介紹無監(jiān)督學習及其一些主要算法：k均值聚類算法、Apriori算法、FP-Growth算法。第四部分介紹了機器學習算法的一些附屬工具。

全書通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效的可復用Python代碼來闡釋如何處理統(tǒng)計數(shù)據(jù)，進行數(shù)據(jù)分析及可視化。通過各種實例，讀者可從中學會機器學習的核心算法，并能將其運用于一些策略性任務中，如分類、預測、推薦。另外，還可用它們來實現(xiàn)一些更高級的功能，如匯總和簡化等。

機器學習實戰(zhàn) 目錄：
第一部分　分類
第1章　機器學習基礎　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　89
第7章　利用AdaBoost元算法提高分類
第二部分　利用回歸預測數(shù)值型數(shù)據(jù)
第8章　預測數(shù)值型數(shù)據(jù)：回歸 　136
第9章　樹回歸　159
第三部分　無監(jiān)督學習
第10章　利用K-均值聚類算法對未標注數(shù)據(jù)分組　184
第11章　使用Apriori算法進行關聯(lián)分析　200
第12章　使用FP-growth算法來高效發(fā)現(xiàn)頻繁項集　223
第四部分　其他工具
第13章　利用PCA來簡化數(shù)據(jù)　242
第14章　利用SVD簡化數(shù)據(jù)　252
第15章　大數(shù)據(jù)與MapReduce　270