Drew Conway, John Myles White 著

陈开江, 刘逸哲, 孟晓楠 译

出版时间：2013年04月

页数：288

“这本书为机器学习技术提供了一些非常棒的案例研究。它并不是一本关于机器学习的工具书或者理论书籍，而是对学习过程的指南，因而适合任何具有编程背景和定量思维的人。”
——Max Shron，OkCupid
机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术。本书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，而且讨论了一些有生命力的新理论、新方法。
全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。本书讨论的案例涉及分类、回归、聚类、降维、最优化问题等。这些案例包括：垃圾邮件识别、智能收件箱、预测网页访问量、文本回归、密码破译、构建股票市场指数、用投票记录对美国参议员聚类、给用户推荐R语言包、分析社交图谱、给问题找到最佳算法等。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R编程语言。
本书主要内容：
· 开发一个朴素贝叶斯分类器，仅仅根据邮件的文本信息来判断邮件是否是垃圾邮件；
· 使用线性回归来预测互联网排名前1000网站的PV；
· 利用文本回归理解图书中词与词之间的关系；
· 通过尝试破译一个简单的密码来学习优化技术；
· 利用无监督学习构建股票市场指数，用于衡量整体市场行情；
· 根据美国参议院的投票情况，从统计学的角度对美国参议员聚类；
· 通过k近邻算法向用户推荐R语言包；
· 利用Twitter数据构建一个“你可能感兴趣的人”的推荐系统；
· 模型比较：给问题找到最佳算法。