关键字：大数据，机器学习，统计分析，分类，优化，算法
推荐：★★★★★
难度：★
豆瓣链接：https://book.douban.com/subject/3288908/
python为什么越来越火？
背后肯定有推动因素，
因为数据分析学家们，和喜欢算法的人们都在用它。
通常是，
为了和那个领域的人们交流，
我们就不得不学习他们的语言，
编程语言也是如此。
这本书就是用python语言来介绍机器学习的。
机器学习是一个火热的领域，
随着大数据时代的到来，
通过少量样本建模，再用模型来预测未来，
已经越来越不必要了。
人们有了更准确的办法，
那就是利用集体智慧，
这和会议投票表决是一个思路，
只是不同的是，统计分析学家们在这条路上走的更远。
例如，投票表决是按投票数量来决策的，
但是投票数量只是这个数据集的某一个特征，
甚至连权重都没有做，也没有聚类，更没有去噪。
为了更好的挖掘数据集的隐含特征，
本书给出了一系列耳熟能详的算法，
贝叶斯分类器，决策树分类器，神经网络，
支持向量机，k-最近邻，聚类，多维缩放，
非负矩阵因式分解，模拟退火，遗传算法，
甚至后面还提到了可以自动更改算法的遗传编程。
那么，为什么我能粗略的看完一遍，
就能如此印象深刻呢？
原因就是，这是一本好书。
好书都是一步一探索，一步一总结。
本书可以分为两个部分，
第一部分属于探索阶段，
作者分别介绍了上面的每一个算法，
更重要的是，详细说明了算法引入的思路，
为了解决什么问题，为何要改进它，
有什么局限性。
第二部分比较少，只有50页，
但是总结了本书提到的所有算法，
如果前面仔细读过，再读第二部分，
感觉畅快淋漓，一览众山小。
如果书单比较多，又不得不看本书，
那么只看第二部分是个不错的选择。
这些算法，离不开数学知识，
但是高中水平已经够了，
只有少量的一些概率论，线性代数，
这也是好书的特征，
深入浅出，切入点低，眼光高。
最后，提一下本书的不足，
就是前面的探索阶段比较啰嗦，
没有耐心的读者，可能会直接陷入细节中。
因为人们更想先看看这个领域的现状。
如果把第二部分放在前面会更好一些。
随着机器学习在工业上的推广，
本书已经不得不读了。
若有收获，就点个赞吧
0 人点赞
