导语

  

    苏尼拉·格拉普蒂著的《实用机器学习/数据科学与工程技术丛书》的目标读者是那些想了解机器学习实践及通过机器学习技术解决现实应用的数据科学家。本书能指导读者了解机器学习和预测分析的基本原理及最新进展，了解大数据革命的方方面面，这是任何致力于解决当前大数据问题的人员的必备资源。如果你想立即着手练习，需具备基本的编程（Python和R）功底和数学知识。

内容提要

  

    苏尼拉·格拉普蒂著的《实用机器学习/数据科学与工程技术丛书》探索了一系列广泛应用的机器学习技术，用实际例子揭示常见数据中隐藏的处理技巧。虽然机器学习是高度理论性的，但是本书提供了一种令人耳目一新的实操方法，同时也没有忽略底层原理。
    本书涵盖当前领先的数据科学语言（如Python和R）、被低估但非常强大的Julia，以及一系列大数据平台（包括Spark、Hadoop和Mahout等）。实用的机器学习技术是现代数据科学家掌握机器学习应用的重要资源。
    本书还探讨了机器学习的前沿进展，提供了一些关于深度学习和强化学习的范例和指导原则，完美演绎实操过程及算法原理。

推荐序一
推荐序二
译者序
前言
关于作者
关于审校者
第1章  机器学习简介
  1.1 机器学习
    1.1.1 定义
    1.1.2 核心概念与术语
    1.1.3 什么是学习
    1.1.4 机器学习中的数据不一致性
    1.1.5 机器学习实践范例
    1.1.6 机器学习问题类型
  1.2 性能度量
  1.3 机器学习的相关领域
    1.3.1 数据挖掘
    1.3.2 人工智能
    1.3.3 统计学习
    1.3.4 数据科学
  1.4 机器学习处理流程及解决方案架构
  1.5 机器学习算法
    1.5.1 基于决策树的算法
    1.5.2 基于贝叶斯的算法
    1.5.3 基于核方法的算法
    1.5.4 聚类算法
    1.5.5 人工神经网络
    1.5.6 降维方法
    1.5.7 集成方法
    1.5.8 基于实例的算法
    1.5.9 基于回归分析的算法
    1.5.10 基于关联规则的算法
  1.6 机器学习工具与框架
  1.7 小结
第2章  机器学习和大规模数据集
  2.1 大数据和大规模机器学习
    2.1.1 功能与架构：方法论的失配
    2.1.2 机器学习的可扩展性和性能
    2.1.3 模型选择过程
    2.1.4 大规模机器学习的潜在问题
  2.2 算法和并发
  2.3 垂直扩展的机器学习技术方案
    2.3.1 MapReduce编程架构
    2.3.2 利用消息传递接口进行高性能计算
    2.3.3 LINQ框架
    2.3.4 使用LINQ操作数据集
    2.3.5 GPU
  ……
第3章  Hadoop架构和生态系统简介
第4章  机器学习工具、库及框架
第5章  基于决策树的学习
第6章  基于实例和核方法的学习
第7章  关联规则学习
第8章  聚类学习
第9章  贝叶斯学习
第10章  基于回归的学习
第11章  深度学习
第12章  强化学习
第13章  集成学习
第14章  下一代机器学习数据架构