&&&&大数据挖掘与统计机器学习（大数据分析统计应用丛书）
自营订单满39元（含）免运费
不足金额订单收取运费5元起
邀请好友参加吧
版 次：1页 数：字 数：印刷时间：日开 本：128开纸 张：胶版纸包 装：平装是否套装：否国际标准书号ISBN：3丛书名：大数据分析统计应用丛书所属分类：&&&
下载免费当当读书APP
品味海量优质电子书，尊享优雅的阅读体验，只差手机下载一个当当读书APP
本商品暂无详情。
当当价：为商品的销售价，具体的成交价可能因会员使用优惠券、积分等发生变化，最终以订单结算页价格为准。
划线价：划线价格可能是图书封底定价、商品吊牌价、品牌专柜价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品曾经展示过的销售价等，由于地区、时间的差异化和市场行情波动，商品吊牌价、品牌专柜价等可能会与您购物时展示的不一致，该价格仅供您参考。
折扣：折扣指在划线价（图书定价、商品吊牌价、品牌专柜价、厂商指导价等）某一价格基础上计算出的优惠比例或优惠金额。如有疑问，您可在购买前联系客服咨询。
异常问题：如您发现活动商品销售价或促销信息有异常，请立即联系我们补正，以便您能顺利购物。
当当购物客户端手机端1元秒
当当读书客户端万本电子书免费读机器学习，数据挖掘的书有哪些？ - 知乎765被浏览54359分享邀请回答/data/attachment/bigupload/MLBook.rar代码中包含了本书的全部代码和实验数据。还是挺全的。 《机器学习实战》 这本书也值得推荐。这本书的源码地址：这本书网上评价也挺高的，有理论有代码有实践。由于我没有买书，看的是电子书，个人觉得挺好的。 《数学之美》 这本书强烈推荐！我在很多地方都有看到关于这本书的推荐和评价。相当高。我稍微看了电子档，貌似代码实践比较欠缺，所以对于初学者不推荐这本书。如果有一定基础，这本书必看！！以上是我在话题 [请各位大牛推荐几本关于“Python 数据挖掘”方面的书？？]() 中的答案希望有所帮助！PS:不知道怎么引用我的答案，所以上面内容我是复制过来的。41 条评论分享收藏感谢收起900人已关注计算机专业学生，才开始学习机器学习与数据挖掘，是完全听不懂啊， 特来求教各位计算机专业的大佬们，有什么好的经验可以传授的吗。
你需要有一定的知识储备，然后可以有两种方法来学习，同样会达到目的。第一条线路：（基于普通最小二乘法的）简单线性回归 -& 线性回归中的新进展（岭回归和LASSO回归）-&(此处可以插入Bagging和AdaBoost的内容)-& Logistic回归 -&支持向量机（SVM）-&感知机学习 -& 神经网络（初学者可先主要关注BP算法）-& 深度学习之所以把它们归为一条线路，因为所有这些算法都是围绕着 y = Σxiβi，这样一条简单的公式展开的，如果你抓住这条线索，不断探索下去，就算是抓住它们之间的绳索了。其中蓝色部分主要是回归，绿色部分主要是有监督的分类学习法。基于普通最小二乘的线性回归是统计中一种有着非常悠久历史的方法，它的使用甚至可以追溯到高斯的时代。但是它对数据有诸多要求，例如特征之间不能有多重共线性，而且岭回归和LASSO就是对这些问题的修正。当沿着第一条路线学完的时候，其实你已经攻克机器学习的半壁江山了！当然，在这个过程中，你一定时刻问问自己后一个算法与前一个的联系在哪里?最初，人们从哪里出发，才会如此设计出它们的。第二条路线：K-means
-& 朴素贝叶斯 -& 贝叶斯网络 -& 隐马尔科夫模型（基本模型，前向算法，维特比算法，前向-后向算法） （-&卡尔曼滤波）这条线路所涉及的基本都是那些各种画来画去的图模型，一个学术名词是 PGM 。这条线的思路和第一条是截然不同的！贝叶斯网络、HMM（隐马尔科夫模型），也就是绿色字体的部分是这个线路中的核心内容。而蓝色部分是为绿色内容做准备的部分。K-means 和 EM 具有与生俱来的联系，认识到这一点才能说明你真正读懂了它们。而EM算法要在HMM的模型训练中用到，所以你要先学EM才能深入学习HMM。所以尽管在EM中看不到那种画来画去的图模型，但我还把它放在了这条线路中，这也就是原因所在。朴素贝叶斯里面的很多内容在，贝叶斯网络和HMM里都会用到，类似贝叶斯定理，先验和后验概率，边缘分布等等（主要是概念性的）。最后，卡尔曼滤波可以作为HMM的一直深入或者后续扩展。尽管很多machine learning的书里没把它看做是一种机器学习算法（或许那些作者认为它应该是信号处理中的内容），但是它也确实可以被看成是一种机器学习技术。分享些社区里其他学长学姐们分享的计算机专业的学习经验学习方法，希望对你有帮助！你需要有一定的知识储备，然后可以有两种方法来学习，同样会达到目的。第一条线路：（基于普通最小二乘法的）简单线性回归 -& 线性回归中的新进展（岭回归和LASSO回归）-&(此处可以插入Bagging和AdaBoost的内容)-& Logistic回归 -&支持向量机（SVM）-&感知机学习 -& 神经网络（初学者可先主要关注BP算法）-& 深度学习之所以把它们归为一条线路，因为所有这些算法都是围绕着 y = Σxiβi，这样一条简单的公式展开的，如果你抓住这条线索，不断探索下去，就算是抓住它们之间的绳索了。其中蓝色部分主要是回归，绿色部分主要是有监督的分类学习法。基于普通最小二乘的线性回归是统计中一种有着非常悠久历史的方法，它的使用甚至可以追溯到高斯的时代。但是它对数据有诸多要求，例如特征之间不能有多重共线性，而且岭回归和LASSO就是对这些问题的修正。当沿着第一条路线学完的时候，其实你已经攻克机器学习的半壁江山了！当然，在这个过程中，你一定时刻问问自己后一个算法与前一个的联系在哪里?最初，人们从哪里出发，才会如此设计出它们的。第二条路线：K-means
-& 朴素贝叶斯 -& 贝叶斯网络 -& 隐马尔科夫模型（基本模型，前向算法，维特比算法，前向-后向算法） （-&卡尔曼滤波）这条线路所涉及的基本都是那些各种画来画去的图模型，一个学术名词是 PGM 。这条线的思路和第一条是截然不同的！贝叶斯网络、HMM（隐马尔科夫模型），也就是绿色字体的部分是这个线路中的核心内容。而蓝色部分是为绿色内容做准备的部分。K-means 和 EM 具有与生俱来的联系，认识到这一点才能说明你真正读懂了它们。而EM算法要在HMM的模型训练中用到，所以你要先学EM才能深入学习HMM。所以尽管在EM中看不到那种画来画去的图模型，但我还把它放在了这条线路中，这也就是原因所在。朴素贝叶斯里面的很多内容在，贝叶斯网络和HMM里都会用到，类似贝叶斯定理，先验和后验概率，边缘分布等等（主要是概念性的）。最后，卡尔曼滤波可以作为HMM的一直深入或者后续扩展。尽管很多machine learning的书里没把它看做是一种机器学习算法（或许那些作者认为它应该是信号处理中的内容），但是它也确实可以被看成是一种机器学习技术。分享些社区里其他学长学姐们分享的计算机专业的学习经验学习方法，希望对你有帮助！学习机器学习看书是必备的，总不能靠冥想吧。。。有的书介绍机器学习，会是这样一种思路：就是单独的一个一个的算法介绍，介绍个十几个，一本书的篇幅差不多也就完了。李航博士的那本《统计学习方法》基本属于这种套路。当然，该书在国内是备受推崇的一本。客观上讲，国人写这方面的书很少，而李博士的著作也不像其他那种大学教材一样东拼西凑，可谓良心之作。但就本书的思路来说，我认为：如果读者就单独的某一个算法想有所了解，参考该书应该会有收获。但系统化上还是优化空间的，比如从一个算法到另外一个算法，之间的联系是什么，推动算法更新和升级的需求又在哪里？另外一种该类型的书，会把算法按照它们的实现的功能和目的，分成比如 Regression、Classification、Clustering等等等等的几类，然后各种讲可以实现聚类的算法有A、B、C，可以实现回归的有D、E、F。。。而且我们也知道，机器学习又可分为有监督、无监督以及半监督的，或者又可分为贝叶斯派和概率派两大阵营，所以按类别来介绍其中的算法也是一种很常见的思路。学习机器学习看书是必备的，总不能靠冥想吧。。。有的书介绍机器学习，会是这样一种思路：就是单独的一个一个的算法介绍，介绍个十几个，一本书的篇幅差不多也就完了。李航博士的那本《统计学习方法》基本属于这种套路。当然，该书在国内是备受推崇的一本。客观上讲，国人写这方面的书很少，而李博士的著作也不像其他那种大学教材一样东拼西凑，可谓良心之作。但就本书的思路来说，我认为：如果读者就单独的某一个算法想有所了解，参考该书应该会有收获。但系统化上还是优化空间的，比如从一个算法到另外一个算法，之间的联系是什么，推动算法更新和升级的需求又在哪里？另外一种该类型的书，会把算法按照它们的实现的功能和目的，分成比如 Regression、Classification、Clustering等等等等的几类，然后各种讲可以实现聚类的算法有A、B、C，可以实现回归的有D、E、F。。。而且我们也知道，机器学习又可分为有监督、无监督以及半监督的，或者又可分为贝叶斯派和概率派两大阵营，所以按类别来介绍其中的算法也是一种很常见的思路。
统计学~机器学习与数据挖掘的基本路线可以先从有监督学习再到无监督学习。先来说说有监督学习，可以先从最简单的线性回归开始，再逐步认识线性方法用于回归问题和分类问题，接下来，可以了解树模型，树的学习算法可以先从最简单的ID3，C4.5等入手，再学习CART（分类回归树），bagging算法，boosting，Cubist和随机森林；接下来可以学几个比较流行的机器学习算法，比如支持向量机，高斯过程，相关向量回归，贝叶斯线性回归等，这几种方法都利用了核函数的技巧，可以通过多种算法来更深入德了解核技巧；最后可以学习深度学习方面的算法，比如神经网络等。无监督学习的方法可以看看主成分分析，关联准则，聚类分析，自组织映射等。在每了解一种新的算法时，尽量用自己擅长的软件进行编程实践，进行算法的参数调控，这样可以充分的理解算法。机器学习与数据挖掘的基本路线可以先从有监督学习再到无监督学习。先来说说有监督学习，可以先从最简单的线性回归开始，再逐步认识线性方法用于回归问题和分类问题，接下来，可以了解树模型，树的学习算法可以先从最简单的ID3，C4.5等入手，再学习CART（分类回归树），bagging算法，boosting，Cubist和随机森林；接下来可以学几个比较流行的机器学习算法，比如支持向量机，高斯过程，相关向量回归，贝叶斯线性回归等，这几种方法都利用了核函数的技巧，可以通过多种算法来更深入德了解核技巧；最后可以学习深度学习方面的算法，比如神经网络等。无监督学习的方法可以看看主成分分析，关联准则，聚类分析，自组织映射等。在每了解一种新的算法时，尽量用自己擅长的软件进行编程实践，进行算法的参数调控，这样可以充分的理解算法。其实在应用层面，R、MATLAB和Python都是做数据挖掘的利器，另外一个基于JAVA的免费数据挖掘工具是Weka，这个就只要点点鼠标，甚至不用编代码了。给一个软件界面的截图如下其实在应用层面，R、MATLAB和Python都是做数据挖掘的利器，另外一个基于JAVA的免费数据挖掘工具是Weka，这个就只要点点鼠标，甚至不用编代码了。给一个软件界面的截图如下
在你正式学习之前，所需要的预备知识（主要是数学）应该包括：微积分（偏导数、梯度等等）、概率论与数理统计（例如极大似然估计、中央极限定理、大数法则等等）、最优化方法（比如梯度下降、牛顿-拉普什方法、变分法（欧拉-拉格朗日方程）、凸优化等等）——如果你对其中的某些名词感到陌生，那么就说明你还不具备深入开展数据挖掘算法学习的能力。你会发现到处都是门槛，很难继续进行下去。在你正式学习之前，所需要的预备知识（主要是数学）应该包括：微积分（偏导数、梯度等等）、概率论与数理统计（例如极大似然估计、中央极限定理、大数法则等等）、最优化方法（比如梯度下降、牛顿-拉普什方法、变分法（欧拉-拉格朗日方程）、凸优化等等）——如果你对其中的某些名词感到陌生，那么就说明你还不具备深入开展数据挖掘算法学习的能力。你会发现到处都是门槛，很难继续进行下去。说起机器学习和数据挖掘，当然两者并不完全等同。如果想简单的理清二者的关系，不妨这样来理解，机器学习应用在数据分析领域 = 数据挖掘。同理，如果将机器学习应用在图像处理领域 = 机器视觉。当然这只是一种比较直白的理解，并不能见得绝对准确或者全面。说起机器学习和数据挖掘，当然两者并不完全等同。如果想简单的理清二者的关系，不妨这样来理解，机器学习应用在数据分析领域 = 数据挖掘。同理，如果将机器学习应用在图像处理领域 = 机器视觉。当然这只是一种比较直白的理解，并不能见得绝对准确或者全面。python要先学好咯python要先学好咯一本好的教材会给人的学习带来很大的帮助，先推荐给大家几本有关机器学习和数据挖掘的书籍。李航的《统计学习方法》书中把几大类经典模型背后的理论刻画得淋漓尽致，适合入门新人学习。《机器学习实战》本书主要介绍机器学习基础，以及如何利用算法进行分类，语音没有太多的专业术语，相对好理解一点。《数据挖掘-实用机器学习技术》介绍数据挖掘的基本理论与实践方法，用实践结合理论能够让人深刻理解。有了好的教程之后再开始学习相关知识。数据的挖掘处理自然离不开数学的知识，所以应该对数学知识有一定基础如微积分，概率论等。python语言的基本结构与语法与数据类型也是不可缺少的部分。一本好的教材会给人的学习带来很大的帮助，先推荐给大家几本有关机器学习和数据挖掘的书籍。李航的《统计学习方法》书中把几大类经典模型背后的理论刻画得淋漓尽致，适合入门新人学习。《机器学习实战》本书主要介绍机器学习基础，以及如何利用算法进行分类，语音没有太多的专业术语，相对好理解一点。《数据挖掘-实用机器学习技术》介绍数据挖掘的基本理论与实践方法，用实践结合理论能够让人深刻理解。有了好的教程之后再开始学习相关知识。数据的挖掘处理自然离不开数学的知识，所以应该对数学知识有一定基础如微积分，概率论等。python语言的基本结构与语法与数据类型也是不可缺少的部分。
后可以回答该问题
计算机专业学生，才开始学习机器学习与数据挖掘，是完全听不懂啊， 特来求教各位计算机专业的大佬们，有什么好的经验可以传授的吗。
相关标签：
相关标签：
关注我们咨询服务合作法律法规京ICP备号
下载申请方APP
即刻拥有你的学业规划助手您正在使用IE低版浏览器，为了您的雷锋网账号安全和更好的产品体验，强烈建议使用更快更安全的浏览器
发私信给三川
导语：迄今为止国外最全的机器学习阅读指南。
同步到新浪微博
用爱救世界
当月热门文章
为了您的账户安全，请
您的邮箱还未验证,完成可获20积分哟！
您的账号已经绑定，现在您可以以方便用邮箱登录
请填写申请人资料机器学习，数据挖掘的书有哪些？ - 知乎765被浏览54359分享邀请回答21212 条评论分享收藏感谢收起81 条评论分享收藏感谢收起查看更多回答}