具体描述
本书是最全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。
作者简介
作者简介：
Peter Flach
布里斯托大学人工智能教授，拥有20多年的机器学习教研经验。在高度结构化的数据挖掘以及通过ROC分析来评估和改进机器学习模型方面，Flach是国际领先的研究人员。他还是Machine Learning期刊总编。曾担任2009年ACM知识发现与数据挖掘国际会议、2012年欧洲机器学习与数据挖掘国际会议的程序委员会共同主席。另著有Simply Logical: Intelligent Reasoning by Example。
译者简介：
段菲
工学博士，英特尔（中国）研究中心研究员，研究方向为机器学习与计算机视觉。
目录信息
第1章 机器学习的构成要素 9
1.1 任务：可通过机器学习解决的问题 9
1.1.1 探寻结构 11
1.1.2 性能评价 13
1.2 模型：机器学习的输出 14
1.2.1 几何模型 14
1.2.2 概率模型 17
1.2.3 逻辑模型 22
1.2.4 分组模型与评分模型 26
1.3 特征：机器学习的马达 26
1.3.1 特征的两种用法 28
1.3.2 特征的构造与变换 29
1.3.3 特征之间的交互 32
1.4 总结与展望 33
第2章 两类分类及相关任务 37
2.1 分类 39
2.1.1 分类性能的评价 40
2.1.2 分类性能的可视化 43
2.2 评分与排序 46
2.2.1 排序性能的评价及可视化 48
2.2.2 将排序器转化为分类器 52
2.3 类概率估计 54
2.3.1 类概率估计量 55
2.3.2 将排序器转化为概率估计子 57
2.4 小结与延伸阅读 59
第3章 超越两类分类 61
3.1 处理多类问题 61
3.1.1 多类分类 61
3.1.2 多类得分及概率 65
3.2 回归 68
3.3 无监督学习及描述性学习 70
3.3.1 预测性聚类与描述性聚类 71
3.2.2 其他描述性模型 74
3.4 小结与延伸阅读 76
第4章 概念学习 77
4.1 假设空间 78
4.1.1 最小一般性 79
4.1.2 内部析取 82
4.2 通过假设空间的路径 84
4.2.1 最一般相容假设 86
4.2.2 封闭概念 87
4.3 超越合取概念 88
4.4 可学习性 92
4.5 小结与延伸阅读 94
第5章 树模型 97
5.1 决策树 100
5.2 排序与概率估计树 103
5.3 作为减小方差的树学习方法 110
5.3.1 回归树 110
5.3.2 聚类树 113
5.4 小结与延伸阅读 115
第6章 规则模型 117
6.1 学习有序规则列表 117
6.2 学习无序规则集 124
6.2.1 用于排序和概率估计的规则集 128
6.2.2 深入探究规则重叠 130
6.3 描述性规则学习 131
6.3.1 用于子群发现的规则学习 131
6.3.2 关联规则挖掘 135
6.4 一阶规则学习 139
6.5 小结与延伸阅读 143
第7章 线性模型 145
7.1 最小二乘法 146
7.1.1 多元线性回归 150
7.1.2 正则化回归 153
7.1.3 利用最小二乘回归实现分类 153
7.2 感知机 155
7.3 支持向量机 158
7.4 从线性分类器导出概率 164
7.5 超越线性的核方法 168
7.6 小结与延伸阅读 170
第8章 基于距离的模型 173
8.1 距离测度的多样性 173
8.2 近邻与范例 178
8.3 最近邻分类器 182
8.4 基于距离的聚类 184
8.4.1 K均值算法 186
8.4.2 K中心点聚类 187
8.4.3 silhouette 188
8.5 层次聚类 190
8.6 从核函数到距离 194
8.7 小结与延伸阅读 195
第9章 概率模型 197
9.1 正态分布及其几何意义 200
9.2 属性数据的概率模型 205
9.2.1 利用朴素贝叶斯模型实现分类 206
9.2.2 训练朴素贝叶斯模型 209
9.3 通过优化条件似然实现鉴别式学习 211
9.4 含隐变量的概率模型 214
9.4.1 期望最大化算法 215
9.4.2 高斯混合模型 216
9.5 基于压缩的模型 218
9.6 小结与延伸阅读 220
第10章 特征 223
10.1 特征的类型 223
10.1.1 特征上的计算 223
10.1.2 属性特征、有序特征及数量特征 227
10.1.3 结构化特征 228
10.2 特征变换 229
10.2.1 阈值化与离散化 229
10.2.2 归一化与标定 234
10.2.3 特征缺失 239
10.3 特征的构造与选择 240
10.4 小结与延伸阅读 243
第11章 模型的集成 245
11.1 Bagging与随机森林 246
11.2 Boosting 247
11.3 集成学习进阶 250
11.3.1 偏差、方差及裕量 250
11.3.2 其他集成方法 251
11.3.3 元学习 252
11.4 小结与延伸阅读 252
第12章 机器学习的实验 255
12.1 度量指标的选择 256
12.2 量指标的获取 258
12.3 如何解释度量指标 260
12.4 小结与延伸阅读 264
后记 路在何方 267
记忆要点 269
参考文献 271
· · · · · · (收起)
读后感
可以看下最后的小结部分，大部分是对基本技术和关键技术的总结，一些论文需要另外学习阅读。 1.树模型和线性模型部分，基本概念都讲得很清楚； 2.距离模型，有些算法，国内的教科书不会提； 3.概率模型，举了朴素贝叶斯分析垃圾邮件的例子； 4.特征部分，写得很好了； 5.集成学...
可以看下最后的小结部分，大部分是对基本技术和关键技术的总结，一些论文需要另外学习阅读。 1.树模型和线性模型部分，基本概念都讲得很清楚； 2.距离模型，有些算法，国内的教科书不会提； 3.概率模型，举了朴素贝叶斯分析垃圾邮件的例子； 4.特征部分，写得很好了； 5.集成学...
可以看下最后的小结部分，大部分是对基本技术和关键技术的总结，一些论文需要另外学习阅读。 1.树模型和线性模型部分，基本概念都讲得很清楚； 2.距离模型，有些算法，国内的教科书不会提； 3.概率模型，举了朴素贝叶斯分析垃圾邮件的例子； 4.特征部分，写得很好了； 5.集成学...
可以看下最后的小结部分，大部分是对基本技术和关键技术的总结，一些论文需要另外学习阅读。 1.树模型和线性模型部分，基本概念都讲得很清楚； 2.距离模型，有些算法，国内的教科书不会提； 3.概率模型，举了朴素贝叶斯分析垃圾邮件的例子； 4.特征部分，写得很好了； 5.集成学...
可以看下最后的小结部分，大部分是对基本技术和关键技术的总结，一些论文需要另外学习阅读。 1.树模型和线性模型部分，基本概念都讲得很清楚； 2.距离模型，有些算法，国内的教科书不会提； 3.概率模型，举了朴素贝叶斯分析垃圾邮件的例子； 4.特征部分，写得很好了； 5.集成学...
用户评价
这本书的阅读门槛，老实说，比我想象的要稍微高一些，但绝对是物超所值的“硬核”体验。它毫不避讳地涉及了高阶的数学基础，比如线性代数中的特征值分解和概率论中的极大似然估计。但奇妙的是，作者处理这些“硬骨头”的方式非常巧妙。他不会让你感到自己是在啃一本高数教材，而是将数学工具视为解决特定工程难题的“瑞士军刀”。每当引入一个复杂的数学概念时，作者总会立即紧跟一个与之对应的算法应用场景，让你明白这个公式存在的意义，而不是孤立地存在于黑板之上。这使得阅读过程虽然需要全神贯注，但反馈感极强。每一次成功攻克一个数学难关，就感觉自己对整个机器学习世界的理解又深入了一层，这种智力上的满足感是其他轻松读物无法给予的。
这本书的案例库简直是教科书级别的宝藏。我手里有很多号称“实战”的书，但大多只是简单地调用几个库函数，代码跑通了事。但这本不同，它似乎把每一个模型都“拆骨扒皮”地展示了一遍。最让我印象深刻的是关于自然语言处理（NLP）的那几章，作者没有停留在简单的词频统计，而是深入探讨了词嵌入（Word Embeddings）背后的几何学意义。他用非常直观的图示，展示了“国王”减去“男人”加上“女人”如何近似得到“王后”的概念，这种跨领域的类比能力，让人拍案叫绝。而且，书中的代码示例都是经过精心挑选和优化的，不仅仅是功能实现，更是展示了如何写出健壮、高效且易于维护的代码。对于我这种需要将理论转化为生产力的人来说，这种对工程实践的重视，比任何花哨的理论描述都更有价值。
这本书的封面设计真是让人眼前一亮，那种深邃的蓝色调配上简洁的几何图形，立刻就给人一种高深莫测又充满智慧的感觉。我一开始以为它会是一本枯燥的技术手册，毕竟“机器学习”这个名字本身就带着一丝理工科的冷峻。然而，当我翻开第一页，立刻被作者的叙述方式所吸引。他没有一上来就抛出复杂的公式，而是用一系列生动的比喻，将那些抽象的概念比如“梯度下降”和“神经网络”描绘得栩栩如生，仿佛我正在亲手搭建一个精密的模型。比如，他对“过拟合”的解释，竟然是用一个老裁缝给一个人量身定做西装的场景来类比的，简直绝妙！我感觉自己像是跟随一位经验丰富的老者，在探索一个广袤而神秘的领域，而不是被一堆冷冰冰的代码轰炸。这本书的排版也非常人性化，注释和案例穿插得恰到好处，让你在理解理论的同时，总能找到一个落地的实践点。这种对细节的关注，体现了作者对读者学习体验的深度考量。
从一个带着些许怀疑态度的初学者角度来看，这本书给我最大的启发在于其对“模型评估与可解释性”的强调。在当前这个 AI 飞速发展的时代，太多人只关注模型能跑多快、准确率多高，却忽略了“为什么它会这么做”。这本书花了大量篇幅讨论误差分析、偏差-方差权衡，以及 LIME、SHAP 等解释性框架的原理。作者反复提醒读者，一个高准确率但无法解释的黑箱模型，在金融风控或医疗诊断等高风险领域是不可接受的。这种强烈的伦理和工程责任感贯穿全书，让我意识到，真正的机器学习专家，不仅要精通算法，更要对模型决策背后的逻辑负责。这本书不只是一本技术指南，更像是一本关于如何审慎地运用强大技术的“从业者宣言”。
坦白说，我阅读这本书的过程，更像是一场与自己思维惯性的较量。它迫使我跳出以往那种线性的、非黑即白的思考模式，去拥抱那种充满概率和不确定性的世界观。书中关于贝叶斯方法的论述尤其令我震撼，它挑战了我长期以来对“绝对真理”的执着。作者通过对历史数据和先验知识的不断修正，展示了一种动态的、自我进化的认知过程。我记得有一个章节专门讨论了决策树的构建过程，那种层层递进、不断划分数据集的逻辑，让人不禁联想到人类日常做决定的复杂性。这本书的厉害之处在于，它不仅教你如何“做”机器学习，更重要的是，它在潜移默化中重塑了你对“学习”本身的理解——学习不是信息的简单堆砌，而是一个不断迭代、修正错误、适应新环境的动态过程。读完这个部分，我甚至开始反思自己过去在工作和生活中，有哪些决策是过于僵化和武断的。
非常棒。逻辑架构很好。机器学习里写的最好的一本。
这是一本机器学习入门的书，到不是很建议入门的读者阅读，我都没全部看掉，本书不值得推荐。
感觉一般
英文版就写的比较通俗易懂，感觉中文版翻译的还行，以前不求甚解的地方，两边对照着看就好多了。
都是理论没有实操，读得好辛苦……
