机器学习是计算世界所见的最大趋势之一。机器学习系统具有意义深远且令人兴奋的能力，能够在各种应用领域为人们提供重要的洞察力，从具有开创性的挽救生命的医学研究到宇宙基础物理方面的发现，从为我们提供更健康、更清洁的食物到互联网分析和建立经济模型，等等。事实上，就某种意义而言，这项技术在我们的生活中已经无所不在。要想进入机器学习的领域，并且对其具有充分的认知，就必须能够理解和设计服务于某一项目需要的机器学习系统。本书的主要内容第1章从机器学习的基础知识开始，帮助你用机器学习的范式进行思考。你将学到机器学习的设计原理和相关模型。第2章讲解了Python中众多针对机器学习任务的程序包。本章会让你初步了解一些大型库，包括NumPy、SciPy、Matplotlib和Scilit-learn等。第3章讲解了原始数据可能有多种不同格式，其数量和质量也可能各不相同。有时，我们会被数据淹没；而有时，我们希望从数据中榨取最后一滴信息。数据要成为信息，需要有意义的结构。本章我们介绍了一些宽泛的主题，如大数据、数据属性、数据源、数据处理和分析等。第4章在逻辑模型中探索了逻辑语言，并创建了假设空间映射；在树状模型中，我们发现其具有广泛作用域并易于描述和理解；在规则模型中，我们讨论了基于有序规则列表和无序规则集的模型。第5章介绍了线性模型，它是使用最广泛的模型之一。线性模型是众多高级非线性技术的基础，例如，支持向量机（SVM）和神经网络。本章还研究了机器学习最常用的技术，创建线性回归和logistic回归的假设语句。第6章介绍了机器学习最强大的人工神经网络算法。我们将看到这些网络如何成为大脑神经元的简化模型。第7章讨论了特征的不同类型，即定量特征、有序特征和分类特征。我们还将详细学习如何结构化和变换特征。第8章解释了集成机器学习背后的动机和成因，其来源于清晰的直觉并具有丰富的理论历史基础。集成机器学习的类型在于模型本身，以及围绕着三个主要问题（如何划分数据、如何选择模型、如何组合其结果）的考量。第9章着眼于一些设计策略，以确保你的机器学习系统最优。我们将学习模型选择和参数调优技术，并将所学知识应用于一些案例研究之中。
第1章 机器学习的思维1.1 人机界面1.2 设计原理1.3 总结第2章 工具和技术2.1 Python与机器学习2.2 IPython控制台2.3 安装SciPy栈2.4 NumPy352.5 Matplotlib2.6 Pandas2.7 SciPy2.8 Scikit-learn2.9 总结第3章 将数据变为信息3.1 什么是数据3.2 大数据3.2.1 大数据的挑战3.2.2 数据模型3.2.3 数据分布3.2.4 来自数据库的数据3.2.5 来自互联网的数据3.2.6 来自自然语言的数据3.2.7 来自图像的数据3.2.8 来自应用编程接口的数据3.3 信号3.4 数据清洗3.5 数据可视化3.6 总结第4章 模型—从信息中学习4.1 逻辑模型4.1.1 一般性排序4.1.2 解释空间4.1.3 覆盖空间4.1.4 PAC学习和计算复杂性4.2 树状模型4.3 规则模型4.3.1 有序列表方法4.3.2 基于集合的规则模型4.4 总结
相关资源：机器学习系统设计.Python.2014.pdf