機器學習是人工智能研究領域中一個極其重要的研究方向，在現今的大數據時代背景下，捕獲數據并從中萃取有價值的信息或模式，成為各行業(yè)求生存、謀發(fā)展的決定性手段，這使得這一過去為分析師和數學家所專屬的研究領域越來越為人們所矚目。

機器學習實戰(zhàn)第一部分主要介紹機器學習基礎，以及如何利用算法進行分類，并逐步介紹了多種經典的監(jiān)督學習算法，如k近鄰算法、樸素貝葉斯算法、Logistic回歸算法、支持向量機、AdaBoost集成方法、基于樹的回歸算法和分類回歸樹（CART）算法等。第三部分則重點介紹無監(jiān)督學習及其一些主要算法：k均值聚類算法、Apriori算法、FP-Growth算法。第四部分介紹了機器學習算法的一些附屬工具。

全書通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效的可復用Python代碼來闡釋如何處理統(tǒng)計數據，進行數據分析及可視化。通過各種實例，讀者可從中學會機器學習的核心算法，并能將其運用于一些策略性任務中，如分類、預測、推薦。另外，還可用它們來實現一些更高級的功能，如匯總和簡化等。

機器學習實戰(zhàn) 目錄：
第一部分　分類
第1章　機器學習基礎　2
第2章　k-近鄰算法 　15
第3章　決策樹 　32
第4章　基于概率論的分類方法：樸素貝葉斯 　53
第5章　Logistic回歸 　73
第6章　支持向量機　89
第7章　利用AdaBoost元算法提高分類
第二部分　利用回歸預測數值型數據
第8章　預測數值型數據：回歸 　136
第9章　樹回歸　159
第三部分　無監(jiān)督學習
第10章　利用K-均值聚類算法對未標注數據分組　184
第11章　使用Apriori算法進行關聯分析　200
第12章　使用FP-growth算法來高效發(fā)現頻繁項集　223
第四部分　其他工具
第13章　利用PCA來簡化數據　242
第14章　利用SVD簡化數據　252
第15章　大數據與MapReduce　270