適讀人群 ：機器學習入門者、需要實操示例提高實際開發水平的機器學習中高級開發者
1.闡述機器學習的基礎知識
2.介紹機器學習的主要模型
3.基於模型實現機器學習繫統
4.本書理論、實踐示例和解決方案三者相輔相成，旨在幫助機器學習的初學者能夠基於理論實現並使用性能強勁的機器學習繫統。

本書作者曾就職美國谷歌公司和日本樂天集團，有著多年的機器學習開發經驗。本書理論與實踐相結合，通過直觀具體、易於理解的圖表、示例和代碼，既講述了有助機器學習入門者輕松、準確掌握的基礎概念，也涵蓋了機器學習開發者在不確定概念時可以查看的核心內容。書中列舉的大量機器學習應用程序實例，即便不具備數學和統計學知識也能輕松閱讀，進而熟悉機器學習的基本概念。

金升淵
首爾大學計算機工程繫畢業，在佐治亞理工學院研究針對高效能文本表達學習的機器學習，並獲得計算機科學碩士和博士學位。現在谷歌Research任職，主要研發移動環境下的機器學習。
鄭榮朱
首爾大學計算機工程與考古美術史學雙學位，通過數據挖掘電算分析講座體驗到機器學習的無限可能後，進入東京大學研究利用機器學習識別垃圾網頁，並獲得碩士和博士學位。此後在日本電商樂天集團從事數據分析和詐騙探測，在斯坦福大學結束為期一年的訪問研究後，目前在樂天集團美國分公司負責數據分析。

第 一部分 機器學習基礎知識
第 1 章 開始機器學習 2
1．1 機器學習簡介 2
1．2 理解機器學習的背景知識 3
1．2．1 數學（線性代數、微分、統計和概率） 3
1．2．2 編程 4
1．3 機器學習發展史 4
1．3．1 機器學習的歷史與現狀 4
1．3．2 機器學習的三大學派 6
1．4 機器學習的分類 7
1．4．1 監督學習、無監督學習、強化學習 8
1．4．2 監督學習的詳細分類 9
1．4．3 無監督學習詳細分類 10
1．4．4 深度學習 11
1．5 小結 11
第 2 章 機器學習主要概念 12
2．1 模型：觀察問題的角度 12
2．1．1 模型的定義 13
2．1．2 簡單模型 14
2．1．3 復雜模型 15
2．1．4 結構模型 16
2．1．5 好模型的定義 17
2．2 損失函數：模型的公式化學習目標 19
2．2．1 算術損失函數 20
2．2．2 概率損失函數 21
2．2．3 排序損失函數 23
2．2．4 模型復雜度與相關損失函數 24
2．3 優化：實際訓練的方法 25
2．3．1 梯度下降法 26
2．3．2 牛頓/擬牛頓法 28
2．3．3 隨機梯度下降法 28
2．3．4 反向傳播 30
2．3．5 最新的優化方法 31
2．4 模型評估：實際運用中的性能評估方法 31
2．4．1 模型的泛化特征評估 31
2．4．2 準確率 32
2．4．3 精確率與召回率 33
2．4．4 排序評估 34
2．5 小結 35
第二部分 機器學習的主要模型
第3 章 數據與問題 38
3．1 數據類型 38
3．1．1 文本數據 38
3．1．2 數值數據 39
3．1．3 圖像數據 39
3．1．4 音頻數據 40
3．1．5 混合數據 40
3．2 數據量與數據質量 40
3．2．1 數據量與機器學習的相關性 40
3．2．2 數據質量與機器學習的相關性 41
3．3 數據標準化 42
3．3．1 數值數據標準化 42
3．3．2 分類數據標準化 44
3．3．3 序數數據標準化 44
3．4 問題類型 45
3．4．1 回歸 45
3．4．2 分類 46
3．4．3 聚類問題 46
3．4．4 表征學習（嵌入學習） 47
3．5 小結 48
第4 章 利用購買歷史數據構建用戶群 49
4．1 聚類 49
4．2 K 中心點聚類 50
4．3 層次聚類 53
4．4 基於密度的聚類 56
4．5 計算相似度 57
4．5．1 閔氏距離 58
4．5．2 馬氏距離 59
4．6 小結 61
第5 章 構建文本分析繫統 62
5．1 構建文本分類繫統 62
5．1．1 文本分類的常用特征 62
5．1．2 利用特征進行分類操作 65
5．2 主題建模 69
5．3 語法分析 71
5．3．1 詞性標注 71
5．3．2 命名實體識別 74
5．4 詞嵌入學習——word2vec 75
5．5 小結 78
第6 章 構建電影推薦繫統 79
6．1 電影推薦繫統 79
6．2 相似度運算 80
6．2．1 傑卡德繫數 80
6．2．2 餘弦相似度 81
6．2．3 編輯距離 82
6．3 基於內容的推薦繫統 83
6．4 協同過濾 84
6．4．1 均方根誤差 85
6．4．2 基於用戶/商品的協同過濾 86
6．4．3 隱因子模型 87
6．5 標準化 90
6．6 小結 91
第7 章 構建圖像識別繫統 92
7．1 圖像處理基本概念 92
7．1．1 像素 92
7．1．2 濾波 93
7．1．3 卷積 95
7．2 圖像識別 97
7．2．1 圖像分類 98
7．2．2 圖像檢測 98
7．3 用於圖像識別的特征 99
7．3．1 輪廓線 99
7．3．2 角點 100
7．3．3 SIFT 103
7．3．4 主成分分析 105
7．4 利用深度學習進行圖像識別 107
7．4．1 關於CNN 107
7．4．2 卷積層 108
7．4．3 池化 109
7．4．4 激活函數 110
7．4．5 全連接層 111
7．5 小結 112
第8 章 解決機器學習中的多種問題 113
8．1 模型問題 113
8．1．1 過度學習 113
8．1．2 如何更輕松地找到好模型 119
8．2 數據問題 121
8．2．1 數據量過大 121
8．2．2 數據量過少 123
8．2．3 數據略微傾斜 124
8．3 速度問題 126
8．3．1 向量運算 126
8．3．2 機器學習高效運行繫統 128
8．3．3 分布式處理 128
8．4 小結 129
第三部分 機器學習繫統應用
第9 章 機器學習軟件簡介 132
9．1 安裝Python 與庫 132
9．2 著名數據庫簡介 133
9．2．1 機器學習庫 133
9．2．2 深度學習庫 134
9．2．3 與計算相關的庫 136
9．3 本書使用的工具包 136
9．3．1 Scikit-learn 137
9．3．2 TensorFlow 140
9．4 小結 151
第 10 章 利用購買歷史數據構建用戶群——實戰 152
10．1 數據集 152
10．2 數據預處理 153
10．3 K 均值聚類 160
10．4 確定正確的簇數K 161
10．4．1 定量評估 161
10．4．2 定性評估 164
10．5 分層聚類法 168
10．6 小結 173
第 11 章 構建文本分析繫統——實戰 174
11．1 構建垃圾短信過濾器（文本分類） 174
11．1．1 用於示例的數據處理 174
11．1．2 通過特征分類 179
11．2 構建主題模型繫統 182
11．3 構建詞性分析繫統 184
11．4 構建專有名詞標記繫統 185
11．5 小結 187
第 12 章 構建電影推薦繫統——實戰 188
12．1 數據集 188
12．2 數據預處理 189
12．3 構建基於內容的電影推薦繫統 192
12．4 構建基於協同過濾的電影推薦繫統 198
12．4．1 實現奇異值分解 198
12．4．2 實現梯度下降法 203
12．4．3 評估近似結果 205
12．5 小結 209
第 13 章 構建圖像識別繫統——實戰 210
13．1 圖像數據的K 均值聚類 210
13．2 以主成分分析進行人臉識別 213
13．3 運用CNN 進行手寫數字分類 223
13．3．1 生成特征 224
13．3．2 訓練與測試 228
13．4 小結 234