书籍介绍
翻开这本书，你几乎立刻会撞上一堵墙：数学推导浅尝辄止，代码却写得朴素甚至粗糙。它不替你解释梯度上升为何求最大值，也不补全那句“留给有兴趣的读者”，而是把KNN、决策树、朴素贝叶斯、Logistic回归、SVM、AdaBoost、k均值、Apriori、FP-Growth一整套经典算法，用可运行的Python示例铺在你面前。正因如此，它适合那些愿意亲手把代码跑一遍、在“软肋是数学”的挫败里主动恶补原理的人；也提醒我们：读完它只是拿到一张算法地图，距离真正掌握机器学习还隔着一整个数学的距离。它不是权威，也不是保姆，而是一本让你快速看到“机器如何说人话”的实战引路人。
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。
AI导读
核心看点
- 以Python代码为核心，摒弃晦涩数学公式，通过实例演示机器学习算法实现。
- 涵盖K近邻、决策树、逻辑回归、SVM、AdaBoost等经典监督与无监督学习算法。
- 提供从数据准备、分析到可视化的完整流程，帮助读者理解算法底层逻辑与应用。
读者共识
- 被公认为机器学习入门佳作，适合零基础或数学基础薄弱者快速上手。
- 普遍反映代码质量一般，注释少且变量名缩写多，阅读体验较差。
- 理论深度不足，部分算法原理讲解缺失，不适合追求深入理论研究的读者。
精彩摘录
- "Pros: High accuracy, insensitive to outliers, no assumptions about data Cons: Computationally expensive, requires a lot of memory Works with: Numeric values, nominal values The first machine-learning algorithm we’ll look at is k-Nearest Neighbors (kNN). It works like this: we have an existing set of"
- "Pros: Computationally cheap to use, easy for humans to understand learned results, missing values OK, can deal with irrelevant features Cons: Prone to overfitting Works with: Numeric values, nominal values"
- "General approach to decision trees 1. Collect: Any method. 2. Prepare: This tree-building algorithm works only on nominal values, so any continuous values will need to be quantized. 3. Analyze: Any method. You should visually inspect the tree after it is built. 4. Train: Construct a tree data struct"
- "Logistic regression Pros: Computationally inexpensive, easy to implement, knowledge representation easy to interpret Cons: Prone to underfitting, may have low accuracy Works with: Numeric values, nominal values"
- "The clear syntax of Python has earned it the name executable pseudo-code."
- "With Python, you can program in any style you’re familiar with: object-oriented, procedural, functional, and so on."
- "With Python it’s easy to process and manipulate text"
- "Python is popular in the scientific and financial communities as well.A number of scientific libraries such as SciPy and NumPy allow you to do vector and matrix operations."
目录
用户评论
代码质量不行，感觉这作者 Python 水平太一般。当作入门读物还不错。
介绍机器学习的入门书，使用Python实现。示范的例子都挺有趣的，比如国会选举、twitter数据的分析。算法的覆盖面挺广，可惜原理的讲解有些浅，因此需要一些基础知识。书中没有神经网络算法的介绍，有些遗憾。
例子给出的代码很差，丝毫不考虑读者的感受。
处于原理和直接sdk之间的自己实现算法. 不去看数学原理的书, 看这个真的没什么用.
我。终于把所有的代码都写了一遍！结果发现软肋是数学，又要开始恶补数学了！
用python实现基础学习算法，比较直观，偏重机器的部分。
很棒
偏重于实战的书，入门是一个不错的选择~
看了这么多评论后，发现自己学不会可以赖书质量对我真是莫大安慰。。
适合入门
你可能会关注的书籍
机器学习实战：基于Scikit-Learn和TensorFlow
机器学习实战（原书第2版）
跟着迪哥学Python数据分析与机器学习实战
Python与机器学习实战
TensorFlow机器学习实战指南（原书第2版）
下载
收藏