实用机器学习

(副标题)：无 ;

(作者): Sunila Gollapudi ;

内容简介：

​ 第1章　机器学习简介
本章的目标是带领读者进入机器学习的领地，并向读者介绍后续章节中将会用到的专业术语。更重要的是，本章聚焦于帮助读者探索各种机器学习策略，加深对机器学习多个子领域的理解。对于任何机器学习项目实践来说，其核心是相关子领域的算法、技术及系统架构，这些都将会深度涉及。
机器学习领域已经有很多公开文献，过去的几十年中无数学者致力于该领域。除了机器学习的概念以外，本书还通过实例介绍机器学习实践相关的种种话题。阅读本书需要对常见编程语言和算法有一定的了解。在每章的开头，会列举阅读所需的预备知识。
本章将深入探讨以下话题：
·机器学习简介。
·基本定义及使用背景。
·机器学习、数据挖掘、人工智能、统计学、数据科学等领域的相似与差异。
·机器学习与大数据的关系。
·术语与技术：模型、精度、数据、特征、复杂度与评价指标。
·机器学习子领域：有监督学习（supervised learning），无监督学习（unsupervised learning），半监督学习（semi-supervised learning），强化学习（reinforcement learning），深度学习（deep learning）。每个子领域涉及的特殊算法和技术也会被提及。
·机器学习问题分类：分类、回归、预测及最优化。
·机器学习架构、处理流程及实践问题。
·机器学习技术、工具及框架。

目录预览：

​ 实用机器学习
第1章 机器学习简介
1.1 机器学习
1.1.1 定义
1.1.2 核心概念与术语
1.1.3 什么是学习
1.1.4 机器学习中的数据不一致性
1.1.5 机器学习实践范例
1.1.6 机器学习问题类型
1.2 性能度量
1.3 机器学习的相关领域
1.3.1 数据挖掘
1.3.2 人工智能
1.3.3 统计学习
1.3.4 数据科学
1.4 机器学习处理流程及解决方案架构
1.5 机器学习算法
1.5.1 基于决策树的算法
1.5.2 基于贝叶斯的算法
1.5.3 基于核方法的算法
........