一般人都不喜歡編程，更不喜歡動手編程：
（時間消耗：編寫 & 測試 40%、重構 40%、風格 &文檔 20%）。
卻喜歡在心裡、嘴上編程：「先這樣，再那樣，如果要XX，就YY，最後就可以ZZ了。」分分鐘就可以說完幾萬行代碼的項目，水還剩大半杯。一旦大期將近，即使要親自動手Copy代碼，也會覺得苦堪搬磚，鍵盤不是紅與黑、屏幕不能左右推、小狗總是鬧跑追，不斷在數不清的理由中增加自己的熵。
偶爾看編程書的目的也很明確，就是為了快速上手，找到答案。當然也是在Google、StackOverflow、GitHub網站上找不到答案之後，無可奈何之舉。
編程書把看著複雜的知識寫得更複雜，雖然大多篇幅不輸「飛雪連天射白鹿，笑書神俠倚碧鴛」等經典，且綱舉目張、圖文並茂，甚至有作者愛引經據典，卻極少有令人拍案的驚奇之處。為什麼同樣是文以載道，編程書卻不能像武俠小說一樣簡單具體，反而顯得了無生趣，令人望而卻步？
雖然編程的目的就是用計算機系統解決問題，但是大多數問題的知識都在其他領域中，許多作者在介紹編程技巧時，又試圖介紹一些並不熟悉的背景知識，顯得生澀難懂，且增加了書的厚度。
♥ 有時我們真正需要的，就是能快刀斬亂麻的代碼。
（Talk is cheap, show me the code.）
編程與研究數理化不同，沒有任何假設、原命題、思維實驗，並非科學；與舞劍、奏樂、炒菜相似，都是手藝，只要基礎紮實，便結果立判。
編程技巧也可以像劍譜、樂譜、食譜一般立竿見影。
下面給大家推薦的這本《Python機器學習經典實例》正是如此，直接上代碼，照著做就行，不用糾結為什麼。
作者：Prateek Joshi
Prateek Joshi
人工智慧專家，重點關注基於內容的分析和深度學習，曾在英偉達、微軟研究院、高通公司以及矽谷的幾家早期創業公司任職。
譯者：陶俊傑，陳小莉
陶俊傑
長期從事數據分析工作，酷愛Python，每天都和Python面對面，樂此不疲。本科畢業於北京交通大學機電學院，碩士畢業於北京交通大學經管學院。
曾就職於中國移動設計院，目前在京東任職。
陳小莉
長期從事數據分析工作，喜歡Python。本科與碩士畢業於北京交通大學電信學院。目前在中科院從事科技文獻與專利分析工作。
♡ 為什麼要選這本書？
能夠節省時間，高效學習機器學習。本書先介紹機器學習基礎知識，後給出案例實際代碼操作練習。就像上面說的，沒有多餘冗雜的內容，直接上代碼，照著做就行。
為了更好地呈現內容，本書採用以下組織形式。（準備工作、詳細步驟、工作原理、更多內容、另請參閱）。
♡ 本書適不適合你？
機器學習是交叉學科，應用廣泛，目前主流方法為統計機器學習。既然是以統計學為基礎，那麼就不只是計算機與數學專業的私房菜了，機器學習在自然科學、農業科學、醫藥科學、工程與技術科學、人文與社會科學等多種學科中均可應用。
如果你遇到了回歸、分類、預測、聚類、文本分析、語音識別、圖像處理等經典問題，需要快速用Python解決，那麼這本菜譜適合你。
即使你對機器學習方法還一知半解，也不妨一試。畢竟是Python的機器學習，還能難到哪兒去呢？
第1章 監督學習
1.1 簡介
1.2 數據預處理技術
1.3 標記編碼方法
1.4 創建線性回歸器
1.5 計算回歸準確性
1.6 保存模型數據
1.7 創建嶺回歸器
1.8 創建多項式回歸器
1.9 估算房屋價格
1.10 計算特徵的相對重要性
1.11 評估共享單車的需求分布
第2章 創建分類器
2.1 簡介
2.2 建立簡單分類器
2.3 建立邏輯回歸分類器
2.4 建立樸素貝葉斯分類器
2.5 將數據集分割成訓練集和測試集
2.6 用交叉驗證檢驗模型準確性
2.7 混淆矩陣可視化
2.8 提取性能報告
2.9 根據汽車特徵評估質量
2.10 生成驗證曲線
第3章 預測建模
3.1 簡介
3.2 用SVM建立線性分類器
3.3 用SVM建立非線性分類器
3.4 解決類型數量不平衡問題
3.5 提取置信度
3.6 尋找最優超參數
3.7 建立事件預測器
3.8 估算交通流量
第4章 無監督學習——聚類
4.1 簡介
4.2 用k-means算法聚類數據
4.3 用矢量量化壓縮圖片
4.4 建立均值漂移聚類模型
4.5 用凝聚層次聚類進行數據分組
4.6 評價聚類算法的聚類效果
4.7 用DBSCAN算法自動估算集群數量
4.8 探索股票數據的模式
4.9 建立客戶細分模型
第5章 構建推薦引擎
5.1 簡介
5.2 為數據處理構建函數組合
5.3 構建機器學習流水線
5.4 尋找最近鄰
5.5 構建一個KNN分類器
5.6 構建一個KNN回歸器
5.7 計算歐氏距離分數
5.8 計算皮爾遜相關係數
5.9 尋找數據集中的相似用戶
5.10 生成電影推薦
第6章 分析文本數據
6.1 簡介
6.2 用標記解析的方法預處理數據
6.3 提取文本數據的詞幹
6.4 用詞形還原的方法還原文本的基本形式
6.5 用分塊的方法劃分文本
6.6 創建詞袋模型
6.7 創建文本分類器
6.8 識別性別
6.9 分析句子的情感
6.10 用主題建模識別文本的模式
第7章 語音識別
7.1 簡介
7.2 讀取和繪製音頻數據
7.3 將音頻信號轉換為頻域
7.4 自定義參數生成音頻信號
7.5 合成音樂
7.6 提取頻域特徵
7.7 創建隱馬爾科夫模型
7.8 創建一個語音識別器
第8章 解剖時間序列和時序數據
8.1 簡介
8.2 將數據轉換為時間序列格式
8.3 切分時間序列數據
8.4 操作時間序列數據
8.5 從時間序列數據中提取統計數字
8.6 針對序列數據創建隱馬爾科夫模型
8.7 針對序列文本數據創建條件隨機場
8.8 用隱馬爾科夫模型分析股票市場數據
第9章 圖像內容分析
9.1 簡介
9.2 用OpenCV-Pyhon操作圖像
9.3 檢測邊
9.4 直方圖均衡化
9.5 檢測稜角
9.6 檢測SIFT特徵點
9.7 創建Star特徵檢測器
9.8 利用視覺碼本和向量量化創建特徵
9.9 用極端隨機森林訓練圖像分類器
9.10 創建一個對象識別器
第10章 人臉識別
10.1 簡介
10.2 從網絡攝像頭採集和處理視頻信息
10.3 用Haar級聯創建一個人臉識別器
10.4 創建一個眼睛和鼻子檢測器
10.5 做主成分分析
10.6 做核主成分分析
10.7 做盲源分離
10.8 用局部二值模式直方圖創建一個人臉識別器
第11章 深度神經網絡
11.1 簡介
11.2 創建一個感知器
11.3 創建一個單層神經網絡
11.4 創建一個深度神經網絡
11.5 創建一個向量量化器
11.6 為序列數據分析創建一個遞歸神經網絡
11.7 在光學字符識別資料庫中將字符可視化
11.8 用神經網絡創建一個光學字符識別器
第12章 可視化數據
12.1 簡介
12.2 畫3D散點圖
12.3 畫氣泡圖
12.4 畫動態氣泡圖
12.5 畫餅圖
12.6 畫日期格式的時間序列數據
12.7 畫直方圖
12.8 可視化熱力圖
12.9 動態信號的可視化模擬
談到這本書我們不得不提到這本書的微信群閱讀計劃，《Python機器學習經典實例》正在圖靈微信技術群由@貓煞 領讀，若干讀者進行跟讀活動。喜歡這本書的小夥伴，不妨一起來閱讀這本書哦！（馬上加領讀人貓煞的微信（MOOOWOOO），入群一起閱讀這本書）。
《Python機器學習經典實例》閱讀計劃
——圖靈大數據與機器學習群（第1期）
作者：Prateek Joshi
譯者：陶俊傑，陳小莉
領讀人：貓煞
本書特色
通過實際案例的形式，講述機器學習的基礎知識並運用 Python 語言將機器學習領域常用算法加以實踐，讓讀者能夠更好地掌握相關知識點。
適合讀者
對 Python 語言語法有基本了解者即可閱讀，但更推薦熟練掌握 Python 語言且對機器學習有興趣的讀者閱讀。
答疑時間安排：每周三晚 20:00—22:00
總閱讀時長（預估）：一個月（閱讀過程中敲代碼實踐）
每天閱讀用時：2小時
掃碼查看完整的閱讀計劃
如果你還沒有準備好閱讀其他圖書，圖靈機器學習方面的閱讀計劃還包括以下圖書：
《圖解機器學習》閱讀計劃
——圖靈大數據與機器學習群閱讀計劃（第1期）
作者：杉山將 譯者：許永偉
領讀人：友人A
本書特色
適合讀者
所有想學習和了解機器學習，以及剛接觸機器學習的讀者
總閱讀時間長度（預估）：4周
每天閱讀用時：2小時
答疑時間安排：每周一次，每周六晚大數據與機器學習群 20:00—22:00
掃碼查看完整的閱讀計劃
《機器學習實戰》閱讀計劃
——大數據與機器學習群閱讀計劃（第1期）
作者：Peter Harrington
譯者：李銳 李鵬 曲亞東 王斌
領讀人：Allen Moore
本書特色
簡潔：更多地討論如何編碼實現機器學習算法，而儘量減少討論數學理論
實用：更多地討論如何轉化數學矩陣描述的機器學習算法可以實際工作的應用程式
趣味：更多地討論如何使用機器學習應用程式解決生活出現的有趣問題
適合讀者：需要進行數據處理，想獲取並理解數據
總閱讀時間長度（預估）：5周
每天閱讀用時：2小時
答疑時間安排：每周1次，每周二晚大數據與機器學習群 20:00—22:00
掃碼查看完整的閱讀計劃
贈書活動
看目錄你對哪節更有興趣？對機器學習你有什麼想說的？留言說出你此刻的想法。
精選評論選3人贈書，截止9月7日14:00。
這裡「閱讀原文」，跳轉到京東購買《Python機器學習經典實例》。