《实用机器学习》是一本非常实用的机器学习书籍。这本书紧紧围绕实际数据分析的流程展开，着重介绍了数据探索、数据预处理以及常用的机器学习算法模型。该书贴近工程实践，以通俗易懂的语言阐述了算法思想，使得读者能够更轻松地理解和使用这些算法。无论是初学者还是具有一定机器学习基础的爱好者，都能从这本书中获益良多。它不仅提供了对机器学习算法的全面介绍，还通过实际案例和丰富的练习题帮助读者巩固所学知识。《实用机器学习》是一本综合性强、内容丰富、易于理解的机器学习书籍，非常适合广大机器学习爱好者阅读和学习。
读者评价
很快读完异步社区的样章后火速下单。行文流畅，架构内容都很好。讲了机器学习常用四大类算法的基本原理、适用场景、评价标准还有相应的R程序实践。很务实，实际操作性强。可能太务实了，没有和时下一些大热的关键词，没有讲最流行的语言和工具，因此关注度不高
本书适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。
一本用Python实现机器学习的项目集。里面细致地记录了用Python的各种库实现这些小项目的过程。在有了机器学习基础和熟悉常见的数据处理Python库后，看一下还行。
这本书不厚，但却覆盖了用机器学习技术解决实际问题的主要步骤和常用算法。考虑到实践中大家更关注的是如何选择和使用算法，两位作者还使用R语言软件包来引导读者实际操作。与市面上对机器学习作一般性介绍的书籍相比，本书介绍的算法稍稍复杂一些，但也更加实用，书中讨论的内容正是实际应用机器学习解决问题时所需要掌握的内容。对于广大业界爱好者和相关专业研究生来说，这是一本理想的入门读物和参考书，因此我非常乐意向大家推荐本书。 ——叶杰平 滴滴研究院副院长、密歇根大学终身教授
这是一本非常贴近实际应用的机器学习著作。两位作者根据多年的一线科研和工程实践经验，选取了zui典型的一些机器学习算法，既通俗易懂地介绍了原理，又给出了公开数据集上的R语言实践。行文风格方面，本书兼顾了高校师生和工程技术人员的实际需求，在理论与实践之间达成了一个较好的平衡，因此具有广泛的适用性，值得推荐。 ——陈震中 国家青年千人计划专家、武汉大学教授
现有的机器学习书籍有些侧重于算法原理的讲解，对具体实现介绍得很少；有些侧重于基本概念和算法的实现，易于上手但难于把握算法原理的精妙细节之处。本书淡化了对数学背景知识的要求，突出了对常用算法的通俗讲解和基于R软件包的实现，便于读者快速上手，是一本不可多得的机器学习教材和自学参考书，“实用”二字实至名归。 ——闫胜业 南京信息工程大学教授
本书从解决实际问题的角度介绍了五类常用的机器学习模型，包括回归模型、分类模型、推荐模型、排序模型和集成学习模型。作者不仅介绍了模型的基本原理，还介绍了特征工程、模型评价和选择等相关的知识。内容有深度但通俗易懂，有广度但不一味求全，具有很强的实用性。本书既适合机器学习初学者，也可以作为企业机器学习项目研发的参考书。 ——李武军 南京大学副教授、博士生导师
越来越多的岗位要求机器学习方面的专业知识。每年都有一些机器学习专业的应届毕业生加入我们的团队，但是我们发现很多人在如何应用机器学习解决实际问题方面还存在知识缺失的问题。这本书从要解决的问题类型出发，介绍了机器学习的各种基本概念以及那些zui实用的算法，并全面阐述了使用机器学习解决问题的全过程，娓娓道来而又深入浅出，对于初学者来说是一本很好的入门读物，对于广大的机器学习从业者来说也是一本很好的参考书。尽管本人从事机器学习的研究和应用多年，但是阅读此书也感到受益匪浅。 ——唐磊 Clari首席数据科学家
很高兴孙亮博士和黄倩博士将他们在工业界多年应用机器学习积累的相关经验和成果整理出来，值得向大家强烈推荐这本书。在我们的工作实践中，所遇到的大部分问题不外乎回归、分类、推荐、排序诸类，而集成学习是我们在建模过程中使用zui多的一类算法。本书系统地讲解了适用于这些问题的常用算法，并且介绍了R中相应的软件包。就实用性而言，是一本非常贴近实战的不可多得的好书。 ——戚晓光 微软高级数据科学
内容介绍
大数据时代为机器学习的应用提供了广阔的空间，各行各业涉及数据分析的工作都需要使用机器学习算法。本书围绕实际数据分析的流程展开，着重介绍数据探索、数据预处理和常用的机器学习算法模型。本书从解决实际问题的角度出发，介绍回归算法、分类算法、推荐算法、排序算法和集成学习算法。在介绍每种机器学习算法模型时，书中不但阐述基本原理，而且讨论模型的评价与选择。为方便读者学习各种算法，本书介绍了R语言中相应的软件包并给出了示例程序。
本书的一大特色就是贴近工程实践。首先，本书仅侧重介绍当前工业界常用的机器学习算法，而不追求知识内容的覆盖面；其次，本书在介绍每类机器学习算法时，力求通俗易懂地阐述算法思想，而不追求理论的深度，让读者借助代码获得直观的体验。
目录
- 第1章 引论
- 第2章 R语言
- 第3章 数学基础
- 第4章 数据探索和预处理
- 第5章 回归分析
- 第6章 分类算法
- 第7章 推荐算法
- 第8章 排序学习
- 第9章 集成学习
个人学习机器学习的路线规划 1 最快的入门方式，就是先百度、必应一下，了解下机器学习的概念。2 推荐阅读《机器学习实战》了解下机器学习相关的算法。我之前也看过机械工业出版社的《机器学习》、也看过点周志华老师的《机器学习》，前一本概念太多，后一本公式也挺多。《机器学习实战》相对来说要好得多，先介绍点理论背景，在基于python介绍下算法的实现以及一两个案例。3 很多人都觉得机器学习需要很好的数学功底，于是学习机器学习前，先捧着高数、线代、概率论看，结果看了两天，觉得枯燥无味，就打算放弃。其实没必要的，结合上面的《机器学习实战》，遇到什么公式，进行相应的复习就行了，这也是为什么把数学放在第三个步骤。其实机器学习里面能理解高数的求导、线代的矩阵以及向量、概率的期望方差等就差不多了，其他有需要的话针对学习就行。4 学习机器学习肯定是要看吴恩达老师的公开课了，公开课的地址，我刚看了两集，感觉还是非常不错的。5 学习Spark MLLib相关的算法实现，如果有时间的话，可以看看源码。
从对机器学习充满好奇与畏惧，到对各种算法稍有理解以及围绕推荐场景的编码实践，算是对机器学习有了一个入门的体验。但是中间也踩过不少坑，比如啃过线性代数的教材、看过无聊的机器学习课程、追过高端的机器学习书籍、陷入一个算法无法自拔（最后也没整明白）...其实，学习机器学习没有那么难，也很容易走偏。
出于许多充分的原因，许多高质量的机器学习教育资源往往对理论非常关注，尤其是在最开始打基础的时候。但是，现在的风气似乎变成了一开始就为了实践应用而学习。不过万幸，随着各种资源的进步，理论和实践也随之融合的更加紧密。