Python與機器學習這一話題是如此的寬廣，僅靠一本書自然不可能涵蓋到方方面面，甚至即使出一個系列也難能做到這點。單就機器學習而言，其領域就包括但不限于如下：有監督學習(Supervised Learning)，無監督學習(Unsupervised Learning)和半監督學習(Semi-Supervised Learning)。而具體的問題又大致可以分兩類：分類問題(Classification)和回歸問題(Regression)。Python本身帶有許多機器學習的第三方庫，但本書在絕大多數情況下只會用到Numpy這個基礎的科學計算庫來進行算法代碼的實現。這樣做的目的是希望讀者能夠從實現的過程中更好地理解機器學習算法的細節，以及了解Numpy的各種應用。不過作為補充，本書會在適當的時候應用scikit-learn這個成熟的第三方庫中的模型。本書適用于想了解傳統機器學習算法的學生和從業者，想知道如何高效實現機器的算法的程序員，以及想了解機器學習的算法能如何進行應用的職員、經理等。
算法與代碼兼顧，理論與實踐結合
很豐富：7種算法，50段實現，55個實例，總代碼量5295行，而不冗余
很扎實：對經典有效的機器學習算法的核心內容進行了相當詳細的推導
很應用：將理論實打實地用Python代碼寫出來，可以解決一定的任務
很前沿：敘述了TensorFlow框架、Inception-v3 from Google、遷移學習等前沿技術
來自北京大學數學系，有多年Python開發經驗，曾用Python開發過多款有意思的軟件。對機器學習、神經網絡、貝葉斯算法有深入研究。
目錄
第1章 Python與機器學習入門 1
1.1 機器學習緒論 1
1.1.1 什么是機器學習 2
1.1.2 機器學習常用術語 3
1.1.3 機器學習的重要性 6
1.2 人生苦短，我用Python 7
1.2.1 為何選擇Python 7
1.2.2 Python 在機器學習領域的優勢 8
1.2.3 Anaconda的安裝與使用 8
1.3 及時個機器學習樣例 12
1.3.1 獲取與處理數據 13
1.3.2 選擇與訓練模型 14
1.3.3 評估與可視化結果 15
1.4 本章小結 17
第2章 貝葉斯分類器 18
2.1 貝葉斯學派 18
2.1.1 貝葉斯學派與頻率學派 19
2.1.2 貝葉斯決策論 19
2.2 參數估計 20
2.2.1 極大似然估計(ML估計) 21
2.2.2 極大后驗概率估計(MAP估計) 22
2.3 樸素貝葉斯 23
2.3.1 算法陳述與基本架構的搭建 23
2.3.2 MultinomialNB的實現與評估 31
2.3.3 GaussianNB的實現與評估 40
2.3.4 MergedNB的實現與評估 43
2.3.5 算法的向量化 50
2.4 半樸素貝葉斯與貝葉斯網 53
2.4.1 半樸素貝葉斯 53
2.4.2 貝葉斯網 54
2.5 相關數學理論 55
2.5.1 貝葉斯公式與后驗概率 55
2.5.2 離散型樸素貝葉斯算法 56
2.5.3 樸素貝葉斯和貝葉斯決策 58
2.6 本章小結 59
第3章 決策樹 60
3.1 數據的信息 60
3.1.1 信息論簡介 61
3.1.2 不確定性 61
3.1.3 信息的增益 65
3.1.4 決策樹的生成 68
3.1.5 相關的實現 77
3.2 過擬合與剪枝 92
3.2.1 ID3、C4.5的剪枝算法 93
3.2.2 CART剪枝 100
3.3 評估與可視化 103
3.4 相關數學理論 111
3.5 本章小結 113
第4章 集成學習 114
4.1 “集成”的思想 114
4.1.1 眾擎易舉 115
4.1.2 Bagging與隨機森林 115
4.1.3 PAC框架與Boosting 119
4.2 隨機森林算法 120
4.3 AdaBoost算法 124
4.3.1 AdaBoost算法陳述 124
4.3.2 弱模型的選擇 126
4.3.3 AdaBoost的實現 127
4.4 集成模型的性能分析 129
4.4.1 隨機數據集上的表現 130
4.4.2 異或數據集上的表現 131
4.4.3 螺旋數據集上的表現 134
4.4.4 蘑菇數據集上的表現 136
4.5 AdaBoost算法的解釋 138
4.6 相關數學理論 139
4.6.1 經驗分布函數 139
4.6.2 AdaBoost與前向分步加法模型 140
4.7 本章小結 142
第5章 支持向量機 144
5.1 感知機模型 145
5.1.1 線性可分性與感知機策略 145
5.1.2 感知機算法 148
5.1.3 感知機算法的對偶形式 151
5.2 從感知機到支持向量機 153
5.2.1 間隔較大化與線性SVM 154
5.2.2 SVM算法的對偶形式 158
5.2.3 SVM的訓練 161
5.3 從線性到非線性 163
5.3.1 核技巧簡述 163
5.3.2 核技巧的應用 166
5.4 多分類與支持向量回歸 180
5.4.1 一對多方法(One-vs-Rest) 180
5.4.2 一對一方法(One-vs-One) 181
5.4.3 有向無環圖方法(Directed Acyclic Graph Method) 181
5.4.4 支持向量回歸(Support Vector Regression) 182
5.5 相關數學理論 183
5.5.1 梯度下降法 183
5.5.2 拉格朗日對偶性 185
5.6 本章小結 187
第6章 神經網絡 188
6.1 從感知機到多層感知機 189
6.2 前向傳導算法 192
6.2.1 算法概述 193
6.2.2 激活函數(Activation Function) 195
6.2.3 損失函數(Cost Function) 199
6.3 反向傳播算法 200
6.3.1 算法概述 200
6.3.2 損失函數的選擇 202
6.3.3 相關實現 205
6.4 特殊的層結構 211
6.5 參數的更新 214
6.5.1 Vanilla Update 217
6.5.2 Momentum Update 217
6.5.3 Nesterov Momentum Update 219
6.5.4 RMSProp 220
6.5.5 Adam 221
6.5.6 Factory 222
6.6 樸素的網絡結構 223
6.7 “大數據”下的網絡結構 227
6.7.1 分批(Batch)的思想 228
6.7.2 交叉驗證 230
6.7.3 進度條 231
6.7.4 計時器 233
6.8 相關數學理論 235
6.8.1 BP算法的推導 235
6.8.2 Softmax log-likelihood組合 238
6.9 本章小結 240
第7章 卷積神經網絡 241
7.1 從NN到CNN 242
7.1.1 “視野”的共享 242
7.1.2 前向傳導算法 243
7.1.3 全連接層(Fully Connected Layer) 250
7.1.4 池化(Pooling) 251
7.2 利用TensorFlow重寫NN 252
7.2.1 反向傳播算法 252
7.2.2 重寫Layer結構 253
7.2.3 實現SubLayer結構 255
7.2.4 重寫CostLayer結構 261
7.2.5 重寫網絡結構 262
7.3 將NN擴展為CNN 263
7.3.1 實現卷積層 263
7.3.2 實現池化層 266
7.3.3 實現CNN中的特殊層結構 267
7.3.4 實現LayerFactory 268
7.3.5 擴展網絡結構 270
7.4 CNN的性能 272
7.4.1 問題描述 272
7.4.2 搭建CNN模型 273
7.4.3 模型分析 280
7.4.4 應用CNN的方法 283
7.4.5 Inception 286
7.5 本章小結 289
附錄A Python入門 290
附錄B Numpy入門 303
附錄C TensorFlow入門 310
圖書不錯，很適合編程練習。促銷也給力。
作者沒搞通，只能出書賺錢了。
好書！！！
上手很快，概念和代碼均有詳細介紹，而且介紹的幾種算法都是主流的，挺適合新手和實戰學習的
包裝很好，書沒有擠壓痕跡。看目錄覺得比較適合自己，正在看具體的內容。
書是原版的，紙質好
印刷精美，是正版。注釋詳盡，適合新手和略有基礎的讀者。
書還不錯，值得看看…
很好，很有用
活動買的，出版時間比較新
價格便宜，裝幀精美
很好，學習下！
這本書看名稱還是不錯的，正在學習中，希望有幫助！現在換了郵政物流，不錯！
