Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现
编辑推荐
适读人群 ：人工智能及相关领域研究人员、程序员，计算机及数据科学专业在校生 算法与代码兼顾，理论与实践结合 很丰富：7种算法，50段实现，55个实例，总代码量5295行，全面而不冗余 很扎实：对经典有效的机器学习算法的核心内容进行了相当详细的推导 很应用：将理论实打实地用Python代码写出来，可以解决一定的任务 很前沿：叙述了TensorFlow框架、Inception-v3 from Google、迁移学习等前沿技术
内容简介
Python与机器学习这一话题是如此的宽广，仅靠一本书自然不可能涵盖到方方面面，甚至即使出一个系列也难能做到这点。单就机器学习而言，其领域就包括但不限于如下：有监督学习（Supervised Learning），无监督学习（Unsupervised Learning）和半监督学习（Semi-Supervised Learning）。而具体的问题又大致可以分两类：分类问题（Classification）和回归问题（Regression）。Python本身带有许多机器学习的第三方库，但《Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现》在绝大多数情况下只会用到Numpy这个基础的科学计算库来进行算法代码的实现。这样做的目的是希望读者能够从实现的过程中更好地理解机器学习算法的细节，以及了解Numpy的各种应用。不过作为补充，《Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现》会在适当的时候应用scikit-learn这个成熟的第三方库中的模型。《Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现》适用于想了解传统机器学习算法的学生和从业者，想知道如何高效实现机器的算法的程序员，以及想了解机器学习的算法能如何进行应用的职员、经理等。
作者简介
来自北京大学数学系，有多年Python开发经验，曾用Python开发过多款有意思的软件。对机器学习、神经网络、贝叶斯算法有深入研究。