为什么要写《机器学习实践应用》这本书

预售地址：
https://item.jd.com/12114501.html

历经了10个月，《机器学习实践应用》这本书终于面世了。首先呢，因为我的工作比较忙，只能抽一些周末或者是下班以后的时间进行写作，另外书的发布流程是一个漫长的过程。所以当这本书出版的时候，我感到熟悉又陌生，熟悉是因为书中的内容经过了多次校对已经印到我的脑子中了，陌生是距离刚开始写这本书已经过去接近一年，对于当时的状态有一些陌生。我因为记忆力不好（智商偏低），所以从小就养成了经常总结事情的毛病，今天刚好赶上快周末，并且《机器学习实践应用》已经上架预售，所以就写了这篇笔记对这本书发布的流程进行总结。

首先就是为什么要写这本书？其实从小都没想过我会写一个这么多字的东西，硕士毕业的时候写3万字论文都快把我逼疯了，更何况是20万字的一本书。而且我从小语文就不太好，高考语文也是最低的一科。但是因为记性不好，所以我一直特别喜欢记笔记，特别是后来在CSDN上写博客开始记录和分享我的一些学习成果，我觉得能有更多的人跟我一起讨论一件事是非常之有趣的。加上最近两年入职阿里，写了很多机器学习相关的文章，得到了一些出版行业的朋友的关注。所以索性，把之前的学习笔记和已经写好的机器学习相关的文章做一个整合，于是就形成了《机器学习实践应用》。

另外，也有一些比较宏观的原因，比如我觉得市面上很多机器学习相关的书都偏理论，但是真正搞机器学习的大部分人群是一些算法的使用者，这部分同学可能不需要对每一种算法在数学层面的推导有很深的见解，大家需要一些偏业务的引导。基于这个原因，我想有一本书可以帮助大家弥补算法和业务之间的gap。但是因为能力有限，不知道是帮忙缩小了这个gap，还是扩大了，哈哈。

最后就是我觉得出一本书是一件很酷的事情，纸质的书会让我自己看算法的时候变的很舒服，而且现在不是流行一句话“阿猫阿狗都能出书了”，我也想当次阿猫阿狗。写书可以强迫你去更多的思考，去看更丰富的资料，无意间也可以提高自己的姿势。总结起来就是一句话，“生活在这个繁杂浮躁的社会，能花10个月的精力专注的做一件事情是一个很酷的行为”（认真脸）。

对于后期的计划，用稿费来一次说走就走的旅行，几个候选集：印度、去西班牙看皇马的比赛、去一次非洲，我还没想清楚。上班之前给自己定了一个计划，每年用业余时间去做一件酷的事情，上一件是出版一本书，已经实现了，下一件事情正在有条不紊的进行。最后的最后，忘了推荐《机器学习实践应用》这本书，那就不推荐了吧（上面那几个地方没稿费我也去的起，哈哈）。

内容简介：
　　机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科，专门研究计算机怎样模拟或实现人类的学习行为。机器学习是人工智能的核心，是使计算机具有智能的根本途径。
　　本书通过对机器学习的背景知识、算法流程、相关工具、实践案例以及知识图谱等内容的讲解，全面介绍了机器学习的理论基础和实践应用。书中涉及机器学习领域的多个典型算法，并详细给出了机器学习的算法流程。
　　本书适合任何有一定数据功底和编程基础的读者阅读。通过阅读本书，读者不仅可以了解机器学习的理论基础，也可以参照一些典型的应用案例拓展自己的专业技能。同时，本书也适合计算机相关专业的学生以及对人工智能和机器学习感兴趣的读者阅读。

目录：
第1部分 背景知识
第1章 机器学习概述 3
1.1 背景 3
1.2 发展现状 6
1.2.1 数据现状 6
1.2.2 机器学习算法现状 8
1.3 机器学习基本概念 12
1.3.1 机器学习流程 12
1.3.2 数据源结构 14
1.3.3 算法分类 16
1.3.4 过拟合问题 18
1.3.5 结果评估 20
1.4 本章小结 22
第2部分 算法流程
第2章 场景解析 25
2.1 数据探查 25
2.2 场景抽象 27
2.3 算法选择 29
2.4 本章小结 31
第3章 数据预处理 32
3.1 采样 32
3.1.1 随机采样 32
3.1.2 系统采样 34
3.1.3 分层采样 35
3.2 归一化 36
3.3 去除噪声 39
3.4 数据过滤 42
3.5 本章小结 43
第4章 特征工程 44
4.1 特征抽象 44
4.2 特征重要性评估 49
4.3 特征衍生 53
4.4 特征降维 57
4.4.1 特征降维的基本概念 57
4.4.2 主成分分析 59
4.5 本章小结 62
第5章 机器学习算法——常规算法 63
5.1 分类算法 63
5.1.1 K近邻 63
5.1.2 朴素贝叶斯 68
5.1.3 逻辑回归 74
5.1.4 支持向量机 81
5.1.5 随机森林 87
5.2 聚类算法 94
5.2.1 K-means 97
5.2.2 DBSCAN 103
5.3 回归算法 109
5.4 文本分析算法 112
5.4.1 分词算法——Hmm 112
5.4.2 TF-IDF 118
5.4.3 LDA 122
5.5 推荐类算法 127
5.6 关系图算法 133
5.6.1 标签传播 134
5.6.2 Dijkstra最短路径 138
5.7 本章小结 145
第6章 机器学习算法——深度学习 146
6.1 深度学习概述 146
6.1.1 深度学习的发展 147
6.1.2 深度学习算法与传统
算法的比较 148
6.2 深度学习的常见结构 152
6.2.1 深度神经网络 152
6.2.2 卷积神经网络 153
6.2.3 循环神经网络 156
6.3 本章小结 157
第3部分 工具介绍
第7章 常见机器学习工具介绍 161
7.1 概述 161
7.2 单机版机器学习工具 163
7.2.1 SPSS 163
7.2.2 R语言 167
7.2.3 工具对比 172
7.3 开源分布式机器学习工具 172
7.3.1 Spark MLib 172
7.3.2 TensorFlow 179
7.4 企业级云机器学习工具 190
7.4.1 亚马逊AWS ML 191
7.4.2 阿里云机器学习PAI 196
7.5 本章小结 205
第4部分 实战应用
第8章 业务解决方案 209
8.1 心脏病预测 209
8.1.1 场景解析 209
8.1.2 实验搭建 211
8.1.3 小结 216
8.2 商品推荐系统 216
8.2.1 场景解析 217
8.2.2 实验搭建 218
8.2.3 小结 220
8.3 金融风控案例 220
8.3.1 场景解析 221
8.3.2 实验搭建 222
8.3.3 小结 225
8.4 新闻文本分析 225
8.4.1 场景解析 225
8.4.2 实验搭建 226
8.4.3 小结 230
8.5 农业贷款发放预测 230
8.5.1 场景解析 230
8.5.2 实验搭建 232
8.5.3 小结 236
8.6 雾霾天气成因分析 236
8.6.1 场景解析 237
8.6.2 实验搭建 238
8.6.3 小结 243
8.7 图片识别 243
8.7.1 场景解析 243
8.7.2 实验搭建 245
8.7.3 小结 253
8.8 本章小结 253
第5部分 知识图谱
第9章 知识图谱 257
9.1 未来数据采集 257
9.2 知识图谱的概述 259
9.3 知识图谱开源
工具 261
9.4 本章小结 264
参考文献 265

与作者交流，请关注公众号：