传统的机器学习教材可以分为两类：一类适用于具有充分数学知识的高年级本科生或研究生，另一类则是关于如何编写算法程序的入门手册。本书的特别之处是书中既展示了如何去使用构成机器学习方法的算法，也提供了理解这些算法如何工作以及为什么工作所需的数学背景。这使得本书自2009年首版以来大获好评并被国际上很多大学选用为本科生机器学习课程教材。2009年以后，机器学习领域又出现了一些显著的发展，比如机器学习算法的统计解释越来越有用并流行。而这给那些缺乏强大统计背景的计算机科学专业的学生带去学习上的困难。本书的第2版致力于弥补这一缺陷，帮助学生一方面通过掌握相关的数学和统计学知识，另一方面通过必要的编程和实践，来充分理解机器学习的现代算法。第2版中不但新增了深度信念网络和高斯过程两章，全书的章节都进行了重新的组织，使学习流程更为自然。书中增加了随机森林、感知机收敛定理...(展开全部)

本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，新版重写了关于神经网络和深度学习的章节，并扩展了关于贝叶斯学习的内容。书中首先讨论基础知识，包括均方、最小二乘和最大似然方法，以及岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍较新的技术，包括稀疏建模方法、再生核希尔伯特空间和支持向量机中的学习、关注EM算法的贝叶斯推理及其变分近似推理、蒙特卡罗方法、关注贝叶斯网络的概率图模型、隐马尔可夫模型和粒子滤波。此外，书中还讨论了降维、隐变量建模、统计参数估计、维纳和卡尔曼滤波、凸优化等技术。本书适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/自适应信号处理和深度学习等课程的学生参考。

本书介绍了数据科学领域常用的所有重要机器学习算法以及TensorFlow和特征工程等相关内容。涵盖的算法包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、k均值、随机森林等，这些算法可以用于监督学习、非监督学习、强化学习或半监督学习。 在本书中，你将学会如何使用这些算法来解决所遇到的问题，并了解这些算法的工作方式。本书还将介绍自然语言处理和推荐系统，这些内容将帮助大家进行多种算法的实践。

人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习（ML）的交易策略相关知识的需求。《机器学习在算法交易中的应用（第2版）》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种最关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch，重点介绍深度学习和强化学习在交易策略设...(展开全部)

人工智能时代，数字数据的爆炸式增长推动了人们对使用机器学习（ML）的交易策略相关知识的需求。《机器学习在算法交易中的应用（第2版）》就以Python为基本工具，从全局、战略的视角介绍了相关的概念，以及机器学习在交易策略设计和执行中的价值及实践运用。全书分4部分，其中第1部分主要介绍基于机器学习的交易策略的基础知识，该部分内容围绕机器学习算法以及交易策略相关的数据展开，概述了如何有效捕获数据信号内容、如何准确提取特征，以及如何基于这些数据优化算法评估投资组合。第2部分重点阐述了在端到端工作流环境中，一些基本的监督学习、无监督学习是如何为交易策略的制定提供帮助的。第3部分是自然语言处理，这部分引入了无监督学习算法，力求从文本数据这种最关键的另类数据中高质量地提取信号。第4部分通过TensorFlow和PyTorch，重点介绍深度学习和强化学习在交易策略设...(展开全部)

个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。 本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。 本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

本书基于丰富的图示，详细介绍了有监督学习和无监督学习的17种算法，包括线性回归、正则化、逻辑回归、支持向量机、核方法、朴素贝叶斯、随机森林、神经网络、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。书中针对各算法均用Python代码进行了实现，读者可一边运行代码一边阅读，从而加深对算法的理解。

本书主要对算法的原理进行了介绍，并融合大量的应用案例，详细介绍使用机器学习模型的一般方法，帮助读者理解算法原理，学会模型设计。 本书首先介绍数据理解、数据的处理与特征，帮助读者认识数据；然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用；接着根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速；最后通过多个应用案例帮助读者加强对前面知识点的理解。

本书是算法竞赛领域一本系统介绍竞赛的图书，书中不仅包含竞赛的基本理论知识，还结合多个方向和案例详细阐述了竞赛中的上分思路和技巧。全书分为五部分：第一部分以算法竞赛的通用流程为主，介绍竞赛中各个部分的核心内容和具体工作；第二部分介绍了用户画像相关的问题；第三部分以时间序列预测问题为主，先讲述这类问题的常见解题思路和技巧，然后分析天池平台的全球城市计算AI挑战赛和Kaggle平台的Corporación Favorita Grocery Sales Forecasting；第四部分主要介绍计算广告的核心技术和业务，包括广告召回、广告排序和广告竞价，其中两个实战案例是2018腾讯广告算法大赛：相似人群拓展和Kaggle平台的TalkingData Ad Tracking Fraud Detection Challenge；第五部分基于自然语言处理相关的内容进行讲解，其中实战案例是Kaggle平台上的竞赛Quora Question Pairs。本书适合从事机器学习、数据挖掘和人工智能相关算法岗位的人阅读。