机器学习：实用案例解析-机器学习实战
编辑精选
《机器学习：实用案例研究》是机器学习和数据挖掘领域的经典书籍，将基础理论与实践完美结合，是一本逻辑严密、内容详实的参考书，适合所有相关技术人员。
《机器学习：实践案例研究》的两位作者都有着丰富的数据分析和处理经验，是机器学习实践技术的积极实践者。
海报：
简单的介绍
O'Reilly Media 通过书籍、杂志、在线服务、研究和会议传播创新知识。自 1978 年以来，O'Reilly 一直是前沿发展的见证者和推动者。超级极客正在创造未来，我们关注真正重要的技术趋势——通过放大那些“微妙的信号”来刺激社会对新技术的应用。作为技术社区的积极参与者，O'Reilly 的发展充满了对创新的倡导、创造和推动。
O'Reilly 为软件开发者带来了革命性的“动物书”；创建了商业网站（GNN）；组织了影响深远、以致开源软件运动以它命名的开源峰会；创办了 Make 杂志，成为 DIY 革命的主要先驱；公司继续以各种形式将信息与人联系起来。O'Reilly 的会议和峰会将众多超级极客和远见卓识的商业领袖聚集在一起，共同描绘出创造新产业的革命性理念。作为技术人士获取信息的选择，O'Reilly 如今也将先驱专家的知识传递给普通的计算机用户。无论是通过图书出版、在线服务还是面对面的课程，每一款 O'Reilly 产品都体现了公司不可动摇的理念——信息是激发创新的力量。
关于作者
德鲁·康威是一位机器学习专家，在数据分析和处理方面拥有丰富的经验。他目前使用数学、统计学和计算机技术研究国际关系、冲突和恐怖主义。他曾在美国情报和国防部门担任研究员数年。他拥有纽约大学政治学博士学位，曾为多家杂志撰写文章。他是机器学习领域的知名学者。
John Myles White 是一位机器学习专家，在数据分析和处理方面拥有丰富的经验。他目前从理论和实验的角度研究人类如何做出决策。他也是多个流行 R 包的主要维护者，包括 ProjectTemplate 和 log4r。他拥有普林斯顿大学哲学博士学位，曾为多家技术杂志撰稿，发表过多篇机器学习论文，并在许多国际会议上发表演讲。
陈凯江是新浪微博搜索部研发工程师，独立完成过微博反垃圾系统、微博精选内容挖掘算法、自助客服系统（包括自动回复、主动挖掘、舆情监测）等项目。目前主要从事社交挖掘、推荐算法研究、机器学习、自然语言处理相关工作，研究方向为社交网络个性化推荐。
刘逸哲，阿里巴巴，CBU基础平台部搜索与推荐团队核心技术及查询分析负责人，机器学习技术领域及圈子负责人。曾任雅虎中国相关度团队、自然语言处理团队算法工程师；AvePoint.inc开发工程师，从事企业级搜索引擎开发。研究兴趣为机器学习、自然语言处理、个性化推荐算法在大规模数据上的应用。
孟晓楠，一淘广告技术，阿里巴巴非搜索广告算法负责人，负责用户行为分析、建模与细分、RTB竞价算法、展示广告CTR预估及SEM优化。曾就职于网易杭州研究院，参与网易博客产品分布式全文检索系统及数据挖掘算法开发。研究兴趣包括计算广告技术、机器学习、大数据技术、信息检索等。
精彩的书评
“O'Reilly Radar 博客非常受欢迎。”
- 有线
“奥莱利凭借一系列非凡的想法创建了价值数百万美元的企业，我希望我也曾想到过这些。”
——商业2.0
“O'Reilly 会议绝对是汇聚重要思想领袖的宝贵资源。”
——CRN
“O'Reilly 的书代表了一个有用且有前景的、需要研究的主题。”
——爱尔兰时报
“蒂姆是一位独特的商人，他不仅具有长远而广阔的眼光，还遵循尤吉·贝拉的建议：‘如果你走到岔路口，就选择岔路。’回想起来，蒂姆似乎每次都选择了岔路，虽然主路也不错，但也有几次转瞬即逝的机会。”
——Linux 杂志
目录
前言
第 1 章 使用 R
R 与机器学习
第2章 数据分析
分析与验证
什么是数据
推断数据类型
推断数据的含义
数值汇总表
平均值、中位数、众数
分位数
标准差和方差
可视化和分析数据
与列相关的可视化
第 3 章 分类：垃圾邮件过滤
要么/要么：二元分类
随意谈条件概率
尝试编写你的第一个贝叶斯垃圾分类器
第 4 章 排序：智能收件箱
当顺序未知时如何排序
按优先级对电子邮件进行排序
实现智能收件箱
第 5 章 回归模型：预测网页访问量
回归模型简介
预测网络流量
定义相关性
第 6 章 正则化：文本回归
数据系列之间的非线性关系：超越直线
避免过度拟合的方法
文本回归
第 7 章 优化：密码破解
优化介绍
岭回归
密码破解优化问题
第 8 章 PCA：构建股票市场指数
无监督学习
主成分分析
第 9 章 MDS：可视化参议员的相似之处
基于相似性的聚类
如何对美国参议员进行聚类
第 10 章 kNN：推荐系统
k-最近邻算法
R语言包安装数据
第 11 章 社交图谱分析
社会网络分析
黑客入侵 Twitter 的社交图谱数据
分析 Twitter 社交网络
第十二章 模型比较
SVM：支持向量机
算法比较
参考
在图 11-7 中，我们关注网络的左半部分，并移除边，以便更容易看到节点的标签。快速浏览一下聚类的 Twitter 用户名，可以发现 Drew 的网络由 Drew 在 Twitter 上关注的数据专家组成。首先，我们看到浅绿色的知名数据专家，如 Tim O'Reilly (timoreilly) 和 Nathan Yau (flowingdata)，因为他们都属于自己的一类。紫色和红色组也很有趣，因为它们都包含数据黑客，但被一个关键因素分成了两部分：Drew 的紫色朋友都是数据社区的杰出成员，如 Hilary Mason (hmason)、Pete Skomoroch (peteskomoroch) 和 Jake Hofman (jakehofman)，但他们都不是 R 语言社区的活跃成员。 另一方面，红色节点都是 R 语言社区的活跃成员，包括 Hadlev Wickham (hadleywickham)、David Smith (revodavid) 和 Gary King (kinggary)。此外，力导向算法成功地将圈子成员聚集在一起，并将属于两个圈子的节点放在圈子的边缘。我们可以看到 John (johnmyleswhite) 是紫色的，但他被放在许多红色节点之中。这是因为 John 是两个圈子的杰出成员，数据反映了这一点。其他例子包括：JD Long (cmastication) 和 Josh Reich (i2pi)。
尽管 Drew 花费大量时间与数据社区成员（包括数据社区的 R 用户和非 R 用户）进行交流，但 Drew 还使用 Twitter 与符合其他兴趣的社区进行交流。他的一个特别兴趣是他的学术生涯，他专注于国家安全技术和政策。在图 11-8 中，我们突出显示了 Drew 网络的右半部分，其中包含来自这些兴趣相关社区的成员。与数据专家组类似，这部分包含两个子组，一个为蓝色，另一个为绿色。与前面的示例一样，节点的颜色和位置反映了它们在网络中扮演的角色。
蓝色片段中的 Twitter 用户分散开来：一些靠近 Drew，位于网络左侧，而另一些则位于网络右侧，靠近绿色组。靠近左侧的用户与技术在国家安全中的作用这一话题有关，包括 Sean Gourley (sgourley)、Lewis Shepherd (1ewisshepherd) 和 Jeffrey Carr (Jeffrey Carr)。靠近绿色组的用户更关心国家安全政策，与绿色组成员相似。在绿色组中，我们看到 Twitter 上有许多国家安全社区的知名成员，包括 Andrew Exum (abumuqawama)、Joshua Foust (joshua Foust) 和 Daveed Gartenstein-Ross (daveedgr)。与之前一样，有趣的是，那些属于两个组的人被放在了集群的边缘，比如 Chris Albon (chrisalbon)，他在两个圈子中都很有名。
... 前言/介绍
【译者序】
在当今的工业界，特别是互联网领域，数据规模越来越大，用传统方法几乎不可能有效地从中发现模式来提高生产力，很多任务只能借助计算机才能完成。因此，机器学习这门新兴学科显得越来越重要，它已经在搜索、推荐、数据挖掘等多个领域大放异彩。机器学习是一门涉及概率论、统计学、高等数学、计算机科学等多门学科的交叉学科，致力于设计一种算法，使计算机具有“学习”的能力，通过发现经验数据中隐藏的模式来预测未知数据。
大数据时代是机器学习最好的时代，因为数据不再是问题，海量的数据可以为各种问题收集。然而对于很多人来说，这门交叉学科本身是神秘而陌生的，特别是对于没有系统学习过相关基础学科的人来说。如今出版的很多机器学习书籍都有这样的特点：公式多、晦涩难懂。这让很多程序员望而却步。然而当我第一次读到这本书的英文版时，我完全相信机器学习是可以用简单易懂的方式来解释的，让知识的传递“悄无声息”地实现。
本书的原则是：熟能生巧，只要多做，就没有攻克不了的技术难题。因此，作者期望读者是像计算机黑客一样的人，对技术有真正的求知欲望和好奇心，愿意亲自动手做而不是只是说说而已。本书精心挑选了12个机器学习案例，由浅入深，涵盖方方面面，包括基础知识（如数据分析）和当前热门社交网站的推荐案例。书中的每一个案例都由作者亲口讲述，逐一分析关键算法的代码，没有丝毫的学术气息，触动着每一个机器学习初学者最深的内心。
书中所有算法均用 R 实现。R 是统计学的开源脚本语言，基于其开源特性，拥有来自世界各地的开源倡导者贡献的各种统计学相关软件包，稳定便捷，尤其是对数据可视化的支持，是一个既轻量又实用的强大工具。书中所有源代码和数据均可在原书官网免费下载。阅读过程中，仿佛作者就在你身边，为你讲解代码和思路，帮你排除错误、优化结果。
书中的案例既涵盖分类和回归问题，也涵盖监督和无监督学习。所选案例都很有趣，例如分析 UFO 目击事件、破译密码、预测股票、分析美国参议员的“派系”等。这里我就不剧透了，大家可以尽情享受学习的乐趣。
书中的12个案例并没有特别的相互依赖（除了R语言基础知识，只有其他章节的一些知识点相互依赖）。你可以像看电视剧一样一个一个地播放，也可以像看小品一样一个一个地演。学习完这些案例，相信你会对机器学习有所了解，然后根据自己的实际情况进行更深入的研究。
本书翻译由三位来自互联网界的工程师共同完成，其中新浪微博的陈开江负责前言及1至4章的翻译；阿里巴巴B2B的刘逸泽负责5、8、9、11章的翻译；阿里巴巴一涛的孟晓楠负责6、7、10、12章的翻译；同时，北京理工大学的罗森林教授自愿承担了全书的校对工作。
本书的出版，首先要感谢机械工业出版社的编辑吴毅，她给了我们三位工程师学习和传承知识的机会，她经验丰富，在翻译过程中给了我们很多建设性的指导。其次，我们要感谢罗森林教授，他在百忙之中为我们校对了全书，让国内的机器学习研究者感受到了这本书的魅力。最后，我们要感谢互联网，因为译者和这本书的缘分是从互联网开始的，从看到原著，报名翻译，到组建翻译团队，再到翻译过程中的讨论，这一切都是通过互联网完成的。
虽然罗森林教授对本书进行了认真的审阅，并提出了宝贵的建议，但由于译者本人的水平有限，书中难免会有不恰当甚至错误的翻译。诚恳的请求机器学习社区的前辈和同仁们多多指教，以便我们能够继续更好地把先进的技术传达给大家，让更多的机器学习爱好者成为机器学习黑客。
我们坚信集体智慧远超个人智慧，因此我们真诚希望每个人都能贡献自己的智慧。无论你对翻译本身有什么意见或建议，或者有机器学习方面的经验，都欢迎在我们的微博上进行交流和切磋。让我们一起贡献自己的智慧，在集体智慧中互相学习，共同进步。
机器学习：实际案例研究 epub pdf mobi txt 电子书下载 2024
机器学习：实际案例研究下载 epub mobi pdf txt 电子书 2024
