“这本书出色地将机器学习概念可视化，有利于非技术专业的学生直观理解这些抽象概念。” ——Ethan Chan 斯坦福大学大数据讲师 “这是一本通俗易懂的机器学习算法书。数据科学新手可以将它作为入门读物；商务人士可以通过它理解数据分析师的工作；任何想了解自己的个人数据何去何从的读者，都会从中有所启发。” ——David Stillwell 剑桥大学心理测量中心副主任 “对于和大数据打交道的商务人士来说，这本书有助于解开他们对高级统计学的疑惑。” ——Tathagata Dasgupta 维亚康姆集团数据科学与高级分析部主管 “我向所有想汲取数据科学和机器学习的精髓却不想陷入数学和编程细节的人推荐这本书。” ——亚马逊读者
目录
版权声明
阅读
序
阅读
前言
阅读
为何需要数据科学
阅读
第 1 章 基础知识
阅读
第 2 章 k 均值聚类
第 3 章 主成分分析
第 4 章 关联规则
第 5 章 社会网络分析
第 6 章 回归分析
第 7 章 k 最近邻算法和异常检测
第 8 章 支持向量机
第 9 章 决策树
第 10 章 随机森林
第 11 章 神经网络
第 12 章 A/B 测试和多臂老虎机
附录 A 无监督学习算法概览
附录 B 监督学习算法概览
附录 C 调节参数列表
附录 D 更多评价指标
术语表
阅读
关于作者
作者介绍
黄莉婷（Annalyn Ng），高级数据分析师，剑桥大学心理测量中心硕士，曾受邀在迪士尼研究中心研究客户行为科学，并通过数据挖掘技术帮助三星和雅虎等公司制定营销和人员招聘等方面的策略。 苏川集（Kenneth Soo），斯坦福大学统计学硕士，华威大学高材生，曾从事网络随机故障下应用程序的双目标稳健优化研究，善于用通俗的语言介绍数据科学。
大家也喜欢
购买电子版的，如何下载呢？
小白鼠 发表于 2019-03-16 09:36:48
本书致力于用简单的方式让读者理解机器学习的相关概念与方法，但是由于篇幅的限制，个人认为很多地方说的并不充分，特别是读到每章小结的时候，会发现有很多总结的内容根本无法理解，还需要结合知乎、博客等才能真正理解这个方法具体是什么，比如第三章的主成分分析，个人真心认为还没有知乎上同等篇幅的文章解释的到位。
如果只是想对机器学习有个非常、非常粗略的印象，并且之前对统计学、线性代数以及机器学习相关知识一片空白，又想能够快速的了解该领域的一些内容，可以考虑购买，不然一定会失望。
jianyi 发表于 2019-04-06 11:23:00
