Python与机器学习几乎就是为数据科学而生的。Python是一款简明、高效且功能强大的开源工具，已成为数据科学最常用的计算机编程语言；机器学习是一套先进、深刻且内容丰富的算法集合，已成为数据科学最主流的分析方法。它们相得益彰，构成了当今大数据技术、人工智能等前沿领域的必备知识，是广大学子成长为数据科学人才的必由之路。
作者结合多年来在机器学习、数据挖掘、统计学、计算机语言和统计应用软件等课程的教学经验与科研实践，希望能为Python机器学习的任课教师以及大学生们，提供一本更加符合高校教学特点的实用优质教材。本书的特点如下：
1、对原理部分作清晰的讲解
机器学习是一门交叉性很强的学科，涉及统计学、数据科学、计算机学科等多个领域的知识。本书认为，学习者要掌握好每个模型或算法的精髓和实践，需要由浅入深地关注直观含义、方法原理、公式推导、算法实现和适用场景等多个递进层面。本书也正是基于这样的层面展开论述。论述过程中，对抽象原理，借助读者可自己再现的图形来做直观剖析。对重点概念，以不同字体突出说明。对难点问题，不吝笔墨反复强调。
2、对实践部分作全面的实现
机器学习又是一门实操性很强的学科。本书认为，学习者需要边学边做才能获得更加深刻的认知。这是如此，本书在每章均设置了Python实践课环节。一方面，通过Python程序代码和可再现的各种图形，帮助学习者理解抽象理论背后的直观含义和方法精髓。另一方面，通过Python代码，帮助学习者掌握和拓展机器学习的算法实现和应用实践。同时，对程序中的关键点进行适度说明，并结合方法原理对程序运行结果进行解读，对相关算法及其特点进行比较评述。全书所有模型和算法都有相应的Python程序，并提供全部代码下载。每章结尾也给出了本章的函数列表，方便读者查阅。
3、本书适合作为机器学习或相关课程的教科书
首先，内容上涵盖了众多主流和核心机器学习算法，以及相关重要知识点。其次，章节安排上，在第1章概述开篇和第2章Python基础介绍后，第3章集中对数据预测建模的各个方面进行了总览论述。旨在帮助学习者把握机器学习的整体知识框架。后续第4至第9章依知识难度，由浅入深展开数据预测建模的讨论，包括朴素贝叶斯分类器、近邻分析、决策树、集成学习、人工神经网络、支持向量机等。第10、11章讨论特征选择和特征提取，以作为数据预测建模的重要补充。第12章关注机器学习中的聚类算法。再有，每章的Python代码能够很好地帮助学习者进一步深刻理解原理，掌握和拓展Python机器学习的应用实践。
展开
