1 前言
前几天，StrongerTang分享了《动手学深度学习》(点击即可阅读)，受到了不少朋友的肯定。有朋友留言要求分享一下以Python 为基础的机器学习实战编程书籍：《Machine Learning In Action》，也就是中文版广为流传的《机器学习实战》，小汤本着一直坚持的“好资源大家一起分享，共同学习，共同进步”的初衷，于是便去找了资料，而且还是中英文两个版本都有，分享给有需要的小伙伴，也希望有更多的朋友能在StrongerTang相遇。
《机器学习实战》通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。
《机器学习实战》主要有 以下4 个优点：
不调包，从0写起实现主流机器学习算法；
所有代码基于Python 3；
实例详细分解，逐步指导使用算法跑出模型；
实战与理论交叉，通过实战加深理论知识；
资料免费获取
1.搜索 公，。-众z,./号: StrongerTang
2.回复关键词：机器学习实战
声明：此资料免费分享，仅作知识分享，勿用于任何商业用途。赠人玫瑰，手有余香！
2 简介
· · · · · ·作者简介 · · · · · ·
Peter Harrington
拥有电气工程学士和硕士学位，他曾经在美国加州和中国的英特尔公司工作7年。Peter拥有5项美国专利，在三种学术期刊上发表过文章。他现在是Zillabyte公司的首席科学家，在加入该公司之前，他曾担任2年的机器学习软件顾问。Peter在业余时间还参加编程竞赛和建造3D打印机。
· · · · · ·内容简介 · · · · · ·
《机器学习实战》第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。
主要面向希望了解深度学习，特别是对实际使用深度学习感兴趣的大学生、工程师和研究人员。阅读本书不要求读者有任何深度学习或者机器学习的背景知识，读者只需具备基本的数学和编程知识，如基础的线性代数、微分、概率及Python编程知识。附录中提供了书中涉及的主要数学知识，供读者参考。
· · · · · ·目录 · · · · · ·
第一部分 分类
第1章 机器学习基础
1.1 何谓机器学习
1.2 关键术语
1.3 机器学习的主要任务
1.4 如何选择合适的算法
1.5 开发机器学习应用程序的步骤
1.6 Python语言的优势
1.7 NumPy函数库基础
1.8 本章小结
第2章 k-近邻算法
2.1 k-近邻算法概述
2.2 示例：使用k-近邻算法改进约会网站的配对效果
2.3 示例：手写识别系统
2.4 本章小结
第3章 决策树
3.1 决策树的构造
3.2 在Python中使用Matplotlib注解绘制树形图
3.3 测试和存储分类器
3.4 示例：使用决策树预测隐形眼镜类型
3.5 本章小结
第4章 基于概率论的分类方法：朴素贝叶斯
4.1 基于贝叶斯决策理论的分类方法
4.2 条件概率
4.3 使用条件概率来分类
4.4 使用朴素贝叶斯进行文档分类
4.5 使用Python进行文本分类
4.6 示例：使用朴素贝叶斯过滤垃圾邮件
4.7 示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向
4.8 本章小结
第5章 Logistic回归
5.1 基于Logistic回归和Sigmoid函数的分类
5.2 基于最优化方法的最佳回归系数确定
5.3 示例：从疝气病症预测病马的死亡率
5.4 本章小结
第6章 支持向量机
6.1 基于最大间隔分隔数据
6.2 寻找最大间隔
6.3 SMO高效优化算法
6.4 利用完整Platt SMO算法加速优化
6.5 在复杂数据上应用核函数
6.6 示例：手写识别问题回顾
6.7 本章小结
第7章 利用AdaBoost元算法提高分类性能
7.1 基于数据集多重抽样的分类器
7.2 训练算法：基于错误提升分类器的性能
7.3 基于单层决策树构建弱分类器
7.4 完整AdaBoost算法的实现
7.5 测试算法：基于AdaBoost的分类
7.6 示例：在一个难数据集上应用AdaBoost
7.7 非均衡分类问题
7.8 本章小结
第二部分 利用回归预测数值型数据
第8章 预测数值型数据：回归
8.1 用线性回归找到最佳拟合直线
8.2 局部加权线性回归
8.3 示例：预测鲍鱼的年龄
8.4 缩减系数来“理解”数据
8.5 权衡偏差与方差
8.6 示例：预测乐高玩具套装的价格
8.7 本章小结
第9章 树回归
9.1 复杂数据的局部性建模
9.2 连续和离散型特征的树的构建
9.3 将CART算法用于回归
9.4 树剪枝
9.5 模型树
9.6 示例：树回归与标准回归的比较
9.7 使用Python的Tkinter库创建GUI
9.8 本章小结
第三部分 无监督学习
第10章 利用K-均值聚类算法对未标注数据分组
10.1 K-均值聚类算法
10.2 使用后处理来提高聚类性能
10.3 二分K-均值算法
10.4 示例：对地图上的点进行聚类
10.5 本章小结
第11章 使用Apriori算法进行关联分析
11.1 关联分析
11.2 Apriori原理
11.3 使用Apriori算法来发现频繁集
11.4 从频繁项集中挖掘关联规则
11.5 示例：发现国会投票中的模式
11.6 示例：发现毒蘑菇的相似特征
11.7 本章小结
第12章 使用FP-growth算法来高效发现频繁项集
12.1 FP树：用于编码数据集的有效方式
12.2 构建FP树
12.3 从一棵FP树中挖掘频繁项集
12.4 示例：在Twitter源中发现一些共现词
12.5 示例：从新闻网站点击流中挖掘
12.6 本章小结
第四部分 其他工具
第13章 利用PCA来简化数据
13.1 降维技术
13.2 PCA13.3 示例：利用PCA对半导体制造数据降维
13.4 本章小结
第14章 利用SVD简化数据
14.1 SVD的应用
14.2 矩阵分解
14.3 利用Python实现SVD
14.4 基于协同过滤的推荐引擎
14.5 示例：餐馆菜肴推荐引擎
14.6 基于SVD的图像压缩
14.7 本章小结
第15章 大数据与MapReduce
15.1 MapReduce：分布式计算的框架
15.2 Hadoop流
15.3 在Amazon网络服务上运行Hadoop程序
15.4 MapReduce上的机器学习
15.5 在Python中使用mrjob来自动化MapReduce
15.6 示例：分布式SVM的Pegasos算法
15.7 你真的需要MapReduce吗？
15.8 本章小结
附录A Python入门
附录B 线性代数
附录C 概率论复习
附录D 资源
小汤本着交流学习的角度，在文末分享了该书的电子版，需要的小伙伴可以免费下载获取。但请勿用于任何商业用途，仅供自身学习参考使用。
当然，StrongerTang强烈支持该书版权所属，对于喜欢纸质实体书阅读的朋友，建议购买正版书籍阅读。
4 源码分享
原书配套的代码是基于 Python2 实现的，而且部分代码存在bug，西安电子科技大学的一名研二在读学生wzy6642对书中的 Python 2 代码重新做了整理，全部代码可在 Python3 环境下运行。所有的源程序中，文件夹名称的命名规则为：算法名称+对应书中的第几个案例，因为数据量比较大，所以少数几个案例采用压缩包上传的方式。
Python 3 代码实现相应的 GitHub 地址如下：
https://github.com/wzy6642/Machine-Learning-in-Action-Python3
除此之外，还有一位机器学习爱好者按照书中章节顺序，使用 jupyter notebook，非常好地实现了基于 Python3 的源代码（包括 .ipynb 文件）。目前在 GitHub 上已经超过 2000 star 了。地址如下：
https://github.com/pbharrin/machinelearninginaction
