机器学习系统设计是一本非常实用的机器学习教程，由美国机器学习和机器人学博士WilliRichert编著，手把手教你用Python设计机器学习系统。本书为读者提供了大量的Python库参考，全书用丰富的案例，教会读者如何细析机器学习技巧与方法，带你承袭正确的思维方式，非常适合需要机器学习技术的Python开发人员、计算机科学研究人员、数据科学家、人工智能程序员，以及统计程序员阅读参考。
1、下载并解压，得出pdf文件
3、安装后，在打开解压得出的pdf文件
4、双击进行阅读试读
《机器学习系统设计》是实用的Python机器学习教程，结合大量案例，介绍了机器学习的各方面知识。本书不仅告诉你“怎么做”，还会分析“为什么”，力求帮助读者掌握多种多样的机器学习Python库，学习构建基于Python的机器学习系统，并亲身实践和体验机器学习系统的功能。
本书共分为12章：
第1章通过一个非常简单的例子介绍机器学习的基本概念。尽管很简单，但也可能会有过拟合的风险，这对我们提出了挑战。
第2章讲解了使用真实数据解决分类问题的方法，在这里我们对计算机进行训练，使它能够区分不同类型的花朵。
第3章讲解了词袋方法的威力，我们可以在没有真正理解帖子内容的情况下，用它来寻找相似的帖子。
第4章让我们超越将每个帖子分配给单个簇的方式。由于真实的文本可以处理多个主题，我们可以看到如何把帖子分配到几个主题上。
第5章讲解了如何用逻辑回归判定用户的答案是好还是坏。在这个情景的背后，我们将学会用偏差-方差的折中调试机器学习模型。
第6章介绍了朴素贝叶斯的工作原理，以及如何用它对推文进行分类，来判断推文中的情感是正面的还是负面的。
第7章讨论了一个处理数据的经典课题，但它在今天仍然有意义。我们用它构建了一个推荐系统，这个系统根据用户所输入的喜欢和不喜欢的信息，为用户推荐新的商品。
第8章同时使用多种方法改进推荐效果。我们还可以看到如何只根据购物信息构建推荐系统，而不需要用户的评分数据（用户并不总会提供这一信息）。
第9章举例说明，如果有人把我们收集而成的庞大音乐库弄乱了，那么为歌曲建立次序的唯一希望就是让机器来对歌曲分类。你会发现，有时信任别人的专长比我们自己构建特征更好。
第10章讲解了如何在处理图像这个特定情景下应用分类方法。这个领域又叫做模式识别。
第11章告诉我们还有其他什么方法可以帮我们精简数据，使机器学习算法能够处理它们。
第12章讲解了不断膨胀的数据规模，以及这为何会为数据分析造成难题。在本章中，我们利用多核或计算集群，探索了一些更大规模数据的处理方法。另外，我们还介绍了云计算（将亚马逊的Web服务当做云计算提供商）。
目录
第1章Python机器学习入门1
1.1梦之队：机器学习与Python1
1.2这本书将教给你什么(以及不会教什么)2
1.3遇到困难的时候怎么办3
1.4开始4
1.4.1NumPy、SciPy和Matplotlib简介4
1.4.2安装Python5
1.4.3使用NumPy和SciPy智能高效地处理数据5
1.4.4学习NumPy5
1.4.5学习SciPy9
1.5我们第一个(极小的)机器学习应用10
1.5.1读取数据10
1.5.2预处理和清洗数据11
1.5.3选择正确的模型和学习算法12
1.6小结20
第2章如何对真实样本分类22
2.1Iris数据集22
2.1.1第一步是可视化23
2.1.2构建第一个分类模型24
2.2构建更复杂的分类器28
2.3更复杂的数据集和更复杂的分类器29
2.3.1从Seeds数据集中学习29
2.3.2特征和特征工程30
2.3.3最邻近分类30
2.4二分类和多分类33
2.5小结34
3.1评估帖子的关联性35
3.1.1不应该怎样36
3.1.2应该怎样36
3.2预处理：用相近的公共词语个数来衡量相似性37
3.2.1将原始文本转化为词袋37
3.2.2统计词语38
3.2.3词语频次向量的归一化40
3.2.4删除不重要的词语41
3.2.5词干处理42
3.2.6停用词兴奋剂44
3.2.7我们的成果和目标45
3.3聚类46
3.3.1K均值46
3.3.2让测试数据评估我们的想法49
3.3.3对帖子聚类50
3.4解决我们最初的难题51
3.5调整参数54
3.6小结54
第4章主题模型55
4.1潜在狄利克雷分配(LDA)55
4.2在主题空间比较相似度59
4.3选择主题个数64
4.4小结65
第5章分类：检测劣质答案67
5.1路线图概述67
5.2学习如何区分出优秀的答案68
5.2.1调整样本68
5.2.2调整分类器68
5.3获取数据68
5.3.1将数据消减到可处理的程度69
5.3.2对属性进行预选择和处理70
5.3.3定义什么是优质答案71
5.4创建第一个分类器71
5.4.1从k邻近(kNN)算法开始71
5.4.2特征工程72
5.4.3训练分类器73
5.4.4评估分类器的性能74
5.4.5设计更多的特征74
5.5决定怎样提升效果77
5.5.1偏差方差及其折中77
5.5.2解决高偏差78
5.5.3解决高方差78
5.5.4高偏差或低偏差78
5.6采用逻辑回归81
5.6.1一点数学和一个小例子81
5.6.2在帖子分类问题上应用逻辑回归83
5.7观察正确率的背后：准确率和召回率84
5.8为分类器瘦身87
5.9出货88
5.10小结88
第6章分类II：情感分析89
6.1路线图概述89
6.2获取数据89
6.3朴素贝叶斯分类器介绍90
6.3.1了解贝叶斯定理90
6.3.2朴素91
6.3.3使用朴素贝叶斯进行分类92
6.3.4考虑未出现的词语和其他古怪情况94
6.3.5考虑算术下溢95
6.4创建第一个分类器并调优97
6.4.1先解决一个简单问题97
6.4.2使用所有的类99
6.4.3对分类器的参数进行调优101
6.5清洗推文104
6.6将词语类型考虑进去106
6.6.1确定词语的类型106
6.6.2用SentiWordNet成功地作弊108
6.6.3我们第一个估算器110
6.6.4把所有东西融合在一起111
6.7小结112
第7章回归：推荐113
7.1用回归预测房价113
7.1.1多维回归116
7.1.2回归里的交叉验证116
7.2惩罚式回归117
7.2.1L1和L2惩罚117
7.2.2在Scikit-learn中使用Lasso或弹性网118
7.3P大于N的情形119
7.3.1基于文本的例子120
7.3.2评分预测和推荐122
7.4小结126
第8章回归：改进的推荐127
8.1改进的推荐127
8.1.1使用二值推荐矩阵127
8.1.2审视电影的近邻129
8.1.3组合多种方法130
8.2购物篮分析132
8.2.1获取有用的预测133
8.2.2分析超市购物篮134
8.2.3关联规则挖掘136
8.2.4更多购物篮分析的高级话题137
8.3小结138
第9章分类III：音乐体裁分类139
9.1路线图概述139
9.2获取音乐数据139
9.3观察音乐140
9.4用FFT构建第一个分类器143
9.4.1增加实验敏捷性143
9.4.2训练分类器144
9.4.3在多分类问题中用混淆矩阵评估正确率144
9.4.4另一种方式评估分类器效果：受试者工作特征曲线(ROC)146