具体描述
与使用数学语言或计算机编程语言讲解算法的书不同，本书另辟蹊径，用通俗易懂的人类语言以及大量有趣的示例和插图讲解10多种前沿的机器学习算法。内容涵盖k均值聚类、主成分分析、关联规则、社会网络分析等无监督学习算法，以及回归分析、k最近邻、支持向量机、决策树、随机森林、神经网络等监督学习算法，并概述强化学习算法的思想。任何对机器学习和数据科学怀有好奇心的人都可以通过本书构建知识体系。
作者简介
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。
目录信息
1.1 准备数据 1
1.1.1 数据格式 1
1.1.2 变量类型 2
1.1.3 变量选择 3
1.1.4 特征工程 3
1.1.5 缺失数据 4
1.2 选择算法 4
1.2.1 无监督学习 5
1.2.2 监督学习 6
1.2.3 强化学习 7
1.2.4 注意事项 7
1.3 参数调优 7
1.4 评价模型 9
1.4.1 分类指标 9
1.4.2 回归指标 10
1.4.3 验证 10
1.5 小结 11
第2章 k均值聚类 13
2.1 找出顾客群 13
2.2 示例：影迷的性格特征 13
2.3 定义群组 16
2.3.1 有多少个群组 16
2.3.2 每个群组中有谁 17
2.4 局限性 18
2.5 小结 19
第3章 主成分分析 21
3.1 食物的营养成分 21
3.2 主成分 22
3.3 示例：分析食物种类 24
3.4 局限性 27
3.5 小结 29
第4章 关联规则 31
4.1 发现购买模式 31
4.2 支持度、置信度和提升度 31
4.3 示例：分析杂货店的销售数据 33
4.4 先验原则 35
4.4.1 寻找具有高支持度的项集 36
4.4.2 寻找具有高置信度或高提升度的关联规则 37
4.5 局限性 37
4.6 小结 37
第5章 社会网络分析 39
5.1 展现人际关系 39
5.2 示例：国际贸易 40
5.3 Louvain方法 42
5.4 PageRank算法 43
5.5 局限性 46
5.6 小结 47
第6章 回归分析 49
6.1 趋势线 49
6.2 示例：预测房价 49
6.3 梯度下降法 52
6.4 回归系数 54
6.5 相关系数 55
6.6 局限性 56
6.7 小结 57
第7章 k最近邻算法和异常检测 59
7.1 食品检测 59
7.2 物以类聚，人以群分 60
7.3 示例：区分红白葡萄酒 61
7.4 异常检测 62
7.5 局限性 63
7.6 小结 63
第8章 支持向量机 65
8.1 医学诊断 65
8.2 示例：预测心脏病 65
8.3 勾画最佳分界线 66
8.4 局限性 69
8.5 小结 69
第9章 决策树 71
9.1 预测灾难幸存者 71
9.2 示例：逃离泰坦尼克号 72
9.3 生成决策树 73
9.4 局限性 74
9.5 小结 75
第10章 随机森林 77
10.1 集体智慧 77
10.2 示例：预测犯罪行为 77
10.3 集成模型 81
10.4 自助聚集法 82
10.5 局限性 83
10.6 小结 84
第11章 神经网络 85
11.1 建造人工智能大脑 85
11.2 示例：识别手写数字 86
11.3 神经网络的构成 89
11.4 激活规则 91
11.5 局限性 92
11.6 小结 94
第12章 A/B测试和多臂老虎机 95
12.1 初识A/B测试 95
12.2 A/B测试的局限性 95
12.3 epsilon递减策略 96
12.4 示例：多臂老虎机 97
12.5 胜者为先 99
12.6 epsilon递减策略的局限性 99
12.7 小结 100
附录A 无监督学习算法概览 101
附录B 监督学习算法概览 102
附录C 调节参数列表 103
附录D 更多评价指标 104
术语表 107
关于作者 114
· · · · · · (收起)
读后感
这本书是简单介绍机器算法的一些方式，读完之后，会对简单的机器学习的基础的理论有一定的理解，但是他没有生涩的语言，也不讲具体的工具，只是讲了概念，所以作为入门还是有可读性的。 我印象比较深刻的，主要是对于分类，它有很多很多种方法，主要是通过不同的维度，距离，或...
这本书是简单介绍机器算法的一些方式，读完之后，会对简单的机器学习的基础的理论有一定的理解，但是他没有生涩的语言，也不讲具体的工具，只是讲了概念，所以作为入门还是有可读性的。 我印象比较深刻的，主要是对于分类，它有很多很多种方法，主要是通过不同的维度，距离，或...
这本书是简单介绍机器算法的一些方式，读完之后，会对简单的机器学习的基础的理论有一定的理解，但是他没有生涩的语言，也不讲具体的工具，只是讲了概念，所以作为入门还是有可读性的。 我印象比较深刻的，主要是对于分类，它有很多很多种方法，主要是通过不同的维度，距离，或...
这本书是简单介绍机器算法的一些方式，读完之后，会对简单的机器学习的基础的理论有一定的理解，但是他没有生涩的语言，也不讲具体的工具，只是讲了概念，所以作为入门还是有可读性的。 我印象比较深刻的，主要是对于分类，它有很多很多种方法，主要是通过不同的维度，距离，或...
这本书是简单介绍机器算法的一些方式，读完之后，会对简单的机器学习的基础的理论有一定的理解，但是他没有生涩的语言，也不讲具体的工具，只是讲了概念，所以作为入门还是有可读性的。 我印象比较深刻的，主要是对于分类，它有很多很多种方法，主要是通过不同的维度，距离，或...
用户评价
我看到《白话机器学习算法》这本书，立刻就觉得这是为我准备的。我一直觉得机器学习听起来很厉害，但实际接触起来却发现难以入门。这本书的书名就传递出一种“轻松学习”的信号，我猜测它在内容的组织上会非常巧妙。我希望它能够从最基础的“模型是什么”开始，循序渐进地介绍不同的模型类型。比如，它会不会用一个简单的线性回归例子，来解释“拟合”的概念？然后，再引出更复杂的模型，比如逻辑回归，说明它如何处理分类问题。我特别期待它能用生动的语言解释一些关键的概念，比如“偏差-方差权衡”，让我能真正理解为什么模型既不能太简单也不能太复杂。如果书中能包含一些小测验或者练习题，帮助我巩固所学知识，那就更棒了。我希望这本书能让我感到学习过程是愉快的，而不是充满压力的。
《白话机器学习算法》这本书的名字就充满了亲和力，我个人非常喜欢这种“白话”的风格。我希望它不仅仅是介绍算法，更能引导读者思考机器学习背后的哲学和思想。比如，它可能会探讨“智能”的本质，以及机器学习在模拟人类智能方面的局限性。我也期待它能从数据采集、特征工程到模型评估的整个流程进行一次全面的梳理，让读者明白机器学习不是孤立的算法堆砌，而是一个完整的数据科学过程。我希望书中能强调机器学习的实际应用价值，比如在推荐系统、图像识别、自然语言处理等领域的创新案例，并分析这些案例是如何利用算法来实现的。此外，我希望这本书能够鼓励读者动手实践，哪怕是使用一些简单的工具或库，去尝试构建自己的模型。如果书中能提供一些学习路径的建议，或者推荐进一步学习的资源，那对我这样的新手来说将是极大的帮助。
刚拿到这本《白话机器学习算法》，就被它通俗易懂的书名吸引了。我一直对机器学习很感兴趣，但市面上很多书籍都充斥着复杂的数学公式和晦涩的理论，让人望而却步。这本书的出现，简直是给像我这样的初学者量身定做的。我特别期待它能将那些高深的算法，比如支持向量机、决策树、神经网络等，用生活中常见的例子来解释，让我能直观地理解它们的原理和应用场景。我设想，这本书可能会从一些基础概念入手，比如什么是数据、什么是模型、什么是训练集和测试集，然后逐步深入到各种算法。我希望它能避免那种“这很容易理解”的说法，而是真正地一步步引导读者，让每一个概念都清晰明了。如果它还能提供一些实际的代码示例，即使是伪代码，也会大大增加我的学习兴趣。总而言之，我希望这本书能够成为我踏入机器学习世界的敲门砖，让我不再对这个领域感到畏惧，而是充满好奇和探索的动力。
《白话机器学习算法》这本书的书名让我眼前一亮，我一直以来都对机器学习的世界充满好奇，但苦于没有一个好的切入点。我期待这本书能够提供一种全新的视角来理解这些复杂的概念。我希望它能用最直观、最贴近生活的方式来讲解机器学习的精髓，而不是将读者淹没在枯燥的数学公式中。我设想，书中可能会以一个大家都能理解的问题开始，比如“如何预测明天的天气”，然后逐步引出相关的机器学习算法。我希望它能够解释清楚不同算法之间的联系与区别，让读者能融会贯通。我也期待这本书能分享一些关于机器学习伦理和未来发展趋势的思考，让我不仅能掌握技术，还能对这个领域有更宏观的认识。如果书中能提供一些关于如何进行机器学习项目开发的建议，以及如何选择合适的工具和库，那将是对我非常大的帮助。
拿到《白话机器学习算法》这本书，我的第一感觉是它非常适合那些想要快速了解机器学习核心思想但又没有深厚数学背景的读者。我猜想这本书的写作风格会非常灵活，不会拘泥于严谨的学术论文格式，而是更像一位经验丰富的老师，娓娓道来。我特别期待它能深入浅出地讲解一些常用算法的“为什么”和“怎么做”。比如，为什么需要正则化？它又是如何工作的？或者，朴素贝叶斯分类器在处理文本分类时，其背后的逻辑是什么？我希望书中能有大量的图示和类比，将抽象的概念具象化。例如，用打比方的方式来解释梯度下降的过程，或者用扑克牌游戏来演示决策树的构建。我还希望这本书能探讨一些机器学习在实际生活中遇到的挑战，比如过拟合和欠拟合，以及如何解决这些问题。如果书中能提到一些不同算法的优缺点以及适用场景，那就更好了，这样我才能在实际应用中做出更明智的选择。
太棒的入门书籍了，非常喜爱。
还不错，科普读物足够了。
入门级的书应该有的特点：技术产生背景，适用场景，优缺点，改进方式。写作上，逻辑清晰，有侧重点。这本书至少在这两个方面都达标了，让我这个门外汉对机器学习的术语入了门。推荐～
适合给高中生。真薄，贵了。
太过简略，感觉话只说了一半…… 每个算法有适用场景，原理解释不是非常透彻，更没实现途径的梗概……
