《机器学习实战》（新手入门笔记）-前言

学前知识：

建议：先看附录内容，进行知识回顾和扫盲！！！

附录A  Python入门

        掌握Python基础语法， NumPy库

附录B 线性代数

       掌握线性代数基本运算规则

附录C 概率论

        掌握概率论基本概念

学习模式：原理简述+问题示例+代码实现+运行效果

学习目标：

• 读者对象是哪些
• 了解本书的基本内容

---

学习内容：

1.读者对象

（1）机器学习可以揭示数据背后的真实含义

（2）具备一定高等数学（线性代数&概率）基础能更好理解此书

（3）具备基本的编程思想（掌握Python开发）

        个人情况：掌握Python基础语言就可以开始学习

（4）核心：实践，多实践，多写代码，理解其含义

2.本书结构（四大部分共计15章+4个附录）

第一部分 分类

        第1章：机器学习的基础知识

        第2章：机器学习基础算法：K-近邻算法        

        第3章：决策树

        第4章：使用概率分布算法进行分类&朴素贝叶斯算法

        第5章：介绍Logistic回归算法&如何处理数据集中的缺失值

        第6章：支持向量机

        第7章：AdaBoost集成方法&非均匀样本训练时引发非均衡分类问题

第二部分 利用回归预测数值型数据

        第8章：回归、去噪和局部加权线性回归

        第9章：基于书的回归算法和分类回归树（CART）算法

第三部分 无监督学习

        第10章：K-均值聚类算法

        第11章：关联分析Apriori算法

        第12章：使用FP-Growth算法改进关联分析

第四部分 其他工具

        第13章：利用PCA来简化数据

        第14章：利用SVD简化数据

        第15章：大数据与MapReduce

附录A  Python入门

        掌握Python基础语法， NumPy库

附录B 线性代数

       掌握线性代码基本运算规则

附录C 概率论

        掌握概率论基本概念

附录D 资源

        部分资源无法访问，可到网上自行寻找

最后：刚入门机器学习，借此整理笔记。感兴趣的伙伴可以持续关注，会不定时更新相关笔记和资源。

从现在开始行动，什么时候都不算晚！！！

---