前言

在如今這個處處以數據驅動的世界中，機器學習正變得越來越大眾化。它已經被廣泛地應用于不同領域，如搜索引擎、機器人、無人駕駛汽車等。本書不僅可以幫你了解現實生活中機器學習的應用場景，而且通過有趣的菜譜式教程教你掌握處理具體問題的算法。

本書首先通過實用的案例介紹機器學習的基礎知識，然后介紹一些稍微復雜的機器學習算法，例如支持向量機、極端隨機森林、隱馬爾可夫模型、條件隨機場、深度神經網絡，等等。本書是為想用機器學習算法開發應用程序的Python程序員準備的。它不僅適合Python初學者（當然，熟悉Python編程方法將有助于體驗示例代碼），而且也適合想要掌握機器學習技術的Python老手。

通過本書，你不僅可以學會如何做出合理的決策，為自己選擇合適的算法類型，而且可以學會如何高效地實現算法以獲得最佳學習效果。如果你在圖像、文字、語音或其他形式的數據處理中遇到困難，書中處理這些數據的機器學習技術一定會對你有所幫助！

本書內容

第1章介紹各種回歸分析的監督學習技術。我們將學習如何分析共享自行車的使用模式，以及如何預測房價。

第2章介紹各種數據分類的監督學習技術。我們將學習如何評估收入層級，以及如何通過特征評估一輛二手汽車的質量。

第3章論述支持向量機的預測建模技術。我們將學習如何使用這些技術預測建筑物里事件發生的概率，以及體育場周邊道路的交通情況。

第4章闡述無監督學習算法，包括K-means聚類和均值漂移聚類。我們將學習如何將這些算法應用于股票市場數據和客戶細分。

第5章介紹推薦引擎的相關算法。我們將學習如何應用這些算法實現協同濾波和電影推薦。

第6章闡述與文本數據分析相關的技術，包括分詞、詞干提取、詞庫模型等。我們將學習如何使用這些技術進行文本情感分析和主題建模。

第7章介紹與語音數據分析相關的算法。我們將學習如何建立語音識別系統。

第8章介紹分析時間序列和有序數據的相關技術，包括隱馬爾可夫模型和條件隨機場。我們將學習如何將這些技術應用到文本序列分析和股市預測中。

第9章介紹圖像內容分析與物體識別方面的算法。我們將學習如何提取圖像特征，以及建立物體識別系統。

第10章介紹在圖像和視頻中檢測與識別面部的相關技術。我們將學習使用降維算法建立面部識別器。

第11章介紹建立深度神經網絡所需的算法。我們將學習如何使用神經網絡建立光學文字識別系統。

第12章介紹機器學習使用的數據可視化技術。我們將學習如何創建不同類型的圖形和圖表。

閱讀背景

Python 2.x和Python 3.x的版本之爭尚未平息。一方面，我們堅信世界會向更好的版本不斷進化，另一方面，許多開發者仍然喜歡使用Python 2.x的版本。目前許多操作系統仍然內置Python 2.x。本書的重點是介紹Python機器學習，而非Python語言本身。另外，考慮到程序的兼容性，書中用到了一些尚未被遷移到Python 3.x版本的程序庫，因此，本書依然選擇Python 2.x的版本。我們會盡最大努力保持代碼兼容各種Python版本，因為這樣可以讓你輕松地理解代碼，并且很方便地將代碼應用到不同場景中。

讀者對象

本書是為想用機器學習算法開發應用程序的Python程序員準備的。它適合Python初學者閱讀，不過熟悉Python編程方法對體驗示例代碼大有裨益。

內容組織

在本書中，你會頻繁地看到下面這些標題（準備工作、詳細步驟、工作原理、更多內容、另請參閱）。

為了更好地呈現內容，本書采用以下組織形式。

準備工作

這部分首先介紹本節目標，然后介紹軟件配置方法以及所需的準備工作。

詳細步驟

這部分介紹具體的實踐步驟。

工作原理

這部分通常是對前一部分內容的詳細解釋。

更多內容

這部分會補充介紹一些信息，幫助你更好地理解前面的內容。

另請參閱

這部分提供一些參考資料。

排版約定

在本書中，你會發現一些不同的文本樣式。這里舉例說明它們的含義。

嵌入代碼、命令、選項、參數、函數、字段、屬性、語句等，用等寬的代碼字體顯示：“這里，我們將25%的數據用于測試，可以通過test_size參數進行設置。”

代碼塊用如下格式：

        import numpy as np
        import matplotlib.pyplot as plt


        import utilities


        # Load input data
        input_file='data_multivar.txt'
        X, y=utilities.load_data(input_file)

命令行輸入或輸出用如下格式：

        $ python object_recognizer.py --input-image imagefile.jpg --model-file
        erf.pkl --codebook-file codebook.pkl

新術語和重要文字將采用黑體字。你在屏幕上看到的內容，包括對話框或菜單里的文本，都將這樣顯示：“如果你將數組改為(0, 0.2, 0, 0, 0)，那么Strawberry部分就會高亮顯示。”

讀者反饋

我們非常歡迎讀者的反饋。如果你對本書有些想法，有什么喜歡或是不喜歡的，請反饋給我們，這將有助于我們出版充分滿足讀者需求的圖書。

一般性反饋請發送電子郵件至feedback@packtpub.com，并在郵件主題中注明書名。

如果你在某個領域有專長，并有意編寫一本書或是貢獻一份力量，請參考我們的作者指南，地址為http://www.packtpub.com/authors。

客戶支持

你現在已經是引以為傲的Packt讀者了。為了能讓你的購買物超所值，我們還為你準備了以下內容。

下載示例代碼

你可以用你的賬戶從http://www.packtpub.com下載所有已購買Packt圖書的示例代碼文件。如果你是從其他途徑購買的本書，可以訪問http://www.packtpub.com/support并注冊，我們將通過電子郵件把文件發送給你。

可以通過以下步驟下載示例代碼文件：

(1) 用你的電子郵件和密碼登錄或注冊我們的網站；

(2) 將鼠標移到網站上方的客戶支持（SUPPORT）標簽；

(3) 單擊代碼下載與勘誤（Code Downloads & Errata）按鈕；

(4) 在搜索框（Search）中輸入書名；

(5) 選擇你要下載代碼文件的書；

(6) 從下拉菜單中選擇你的購書途徑；

(7) 單擊代碼下載（Code Download）按鈕。

你也可以通過單擊Packt網站上本書網頁上的代碼文件（Code Files）按鈕來下載示例代碼，該網頁可以通過在搜索框（Search）中輸入書名獲得。以上操作的前提是你已經登錄了Packt網站。

下載文件后，請確保用以下軟件的最新版來解壓文件：

? WinRAR / 7-Zip for Windows；

? Zipeg / iZip / UnRarX for Mac；

? 7-Zip / PeaZip for Linux。

本書的代碼包也可以在GitHub上獲得，網址是https://github.com/PacktPublishing/Python-Machine-Learning-Cookbook。另外，我們在https://github.com/PacktPublishing上還有其他書的代碼包和視頻，請需要的讀者自行下載。

下載本書的彩色圖片

我們也為你提供了一份PDF文件，里面包含了書中的截屏和圖表等彩色圖片，彩色圖片能幫助你更好地理解輸出的變化。下載網址為https://www.packtpub.com/sites/default/files/downloads/PythonMachineLearningCookbook_Colorimages.pdf。

勘誤

雖然我們已盡力確保本書內容正確，但出錯仍舊在所難免。如果你在書中發現錯誤，不管是文本還是代碼，希望能告知我們，我們將不勝感激。這樣做，你可以使其他讀者免受挫敗，也可以幫助我們改進本書的后續版本。如果你發現任何錯誤，請訪問http://www.packtpub.com/submit-errata，選擇本書，單擊勘誤表提交表單（Errata Submission Form）的鏈接，并輸入詳細說明。勘誤一經核實，你提交的內容將被接受，此勘誤會上傳到本公司網站或添加到現有勘誤表。

訪問https://www.packtpub.com/books/content/support，在搜索框中輸入書名，可以在勘誤（Errata）部分查看已經提交的勘誤信息。

盜版

任何媒體都會面臨版權內容在互聯網上的盜版問題，Packt也不例外。Packt非常重視版權保護。如果你發現我們的作品在互聯網上被非法復制，不管以什么形式，都請立即為我們提供相關網址或網站名稱，以便我們尋求補救。

請把可疑盜版材料的鏈接發到copyright@packtpub.com。

保護我們的作者，就是保護我們繼續為你帶來價值的能力，我們將不勝感激。

問題

如果你對本書內容存有疑問，不管是哪個方面的，都可以通過questions@packtpub.com聯系我們，我們會盡最大努力解決。

電子書

掃描如下二維碼，即可獲得本書電子版。