机器学习，数据挖掘的书有哪些

Answer 1

说到数据分析，人们往往会下意识地联想到另一个耳熟能详的名词：数据挖掘。那么，到底什么是数据挖掘呢？顾名思义，数据挖掘就是对数据进行处理，并从中提取可用信息的过程。如果你刚好正在寻找这方面的入门书籍，那么韩家炜老师写的《数据挖掘：概念与技术》绝对是一个不错的选择。

该书针对传统的数据分析方法，常见的如聚类、分类、去噪等，都做了非常细致的说明，并附带详实的算法、实例。相信你在看完该书的相关章节后，一定会对上述方法有较为深刻的认知。值得一提的是，该书还被许多学校引作本科教材，因此读者自学时还可以较为容易地获取各种参考学习资料，让学习模式直接从hard降为easy。
但是，由于该书成书较早，且近年来机器学习发展迅速，其中所涉及的诸多内容在今天看来已显得略微朴实，无法很好地反映数据分析领域当下最前沿的技术。但瑕不掩瑜，总体而言，这依然是一本初学者理想的入门书籍。

在学习完上一本《数据挖掘》后，此时的你将会拥有一些简单的数据分析基础。如果还想更上一层楼，那么周志华老师的这本《机器学习》绝对是不能错过的进阶读本。

用一句话来概括周志华老师的这本《机器学习》的话，大概就是“周老师用一万种方法教你挑个好西瓜”。由于“怎样挑个好瓜”的怨念贯穿了全书的始终，且连封面也印上了西瓜，人们也常常亲切地将其称为西瓜书。

相比于上一本教材，本书对读者明显提出了更高的要求。一方面，该书成书更晚，涵盖的机器学习方法也更广泛，决策树、神经网络、支持向量机、增强学习等大家常常听到的热点方法，书中都分章做了细致的介绍。另一方面，西瓜书涉及了不少数学公式，需要读者有一定的统计、代数数学基础。看一个公式花上半个小时，那真是家常便饭。不过大家也不用太紧张，本书的附录部分专门为许多公式提供了详尽的推导过程。即便看完附录后还是一头雾水，你也至少知道用搜索引擎时该填哪些关键词了(￣ ▽ ￣)…总的来说，该书是进一步全面了解当下主流数据分析方法，俯瞰机器学习全貌的不二选择，大家可以按自身兴趣选读相关章节。

讲到这里，我似乎听到有读者在犯嘀咕了：“说了这么多，什么时候传我造AI的神功啊？就是那个叫什么深度学习的。”确实，这年头讲到数据分析如果不谈谈网络，都不好意思和别人说自己涉猎过这块领域。那么，笔者在此就再推荐一本神经网络的入门书籍。

其实，神经网络是机器学习方法的一条分支，而且上个世纪50年代就已经有了“感知机”的概念，将感知机推叠在一起就是“多层感知机”。只是限于当时的计算机算力，人们只能用多层感知机处理一些简单的问题，也无法构建深层网络，因此相关研究也很快冷下来。从某种程度上说，感知机和多层感知机就是当下神经元和神经网络的雏形。

2016年，Google的AlphaGo击败了李世石。人们突然惊奇地发现，当下的算力已经可以支撑神经网络胜任如此复杂的工作了。于是相关领域的研究热度被再次点燃，并一直延续至今。其实，神经网络的基础理论并不复杂，可概括为“只要神经元足够多，一层前馈网络足以拟合任何函数。”这个理论有什么用呢？举个例子，如果把你比作一个函数的话，那么你从外界感知到的信息就是函数的输入，而你的反应就是函数的输出。所以从理论上讲，只要你能拟合出一个足够准确的函数，就可以造出一个自己了！怎么样，是不是感觉可以去造AI了。

好了，现在让我们从梦中醒来，先挑一本学习教材。看完书，你就知道拟合出一个“准确”的函数，是一件需要那么多理论和技巧的事。就入门而言，我强烈推荐Michael Nielsen写的这本在线书籍《Neural Networks and Deep Learning》（http://neuralnetworksanddeeplearning.com/），主要有以下几个方面的理由：

· 该书篇幅适中，是极佳的快速入门读物。送你个哈工大的中文翻译链接（https://legacy.gitbook.com/book/hit-scir/neural-networks-and-deep-learning-zh_cn/details）， 试试2个星期把它读完吧；

· 关键公式的推导过程非常详细，便于读者理解性地记忆反向传播、dropout等原理的内涵；

· 充分发挥了网页版书籍的优势，在页面中插入了一些运行小界面，生动地向读者诠释了神经网络底层运行的各种机理；

· 更难能可贵的是，随书还附带了一批可运行的神经网络实例。试试亲自上手改改代码吧，相信你会有意外的收获。

Answer 2

《机器学习实战》：本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。
《数据挖掘-实用机器学习技术》：本书介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树，关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存任缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘仟务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。
《数据挖掘：概念与技术》：本书全面地讲述数据挖掘领域的重要知识和技术创新。在第1版内容相当全面的基础上，第2版展示了该领域的最新研究成果，例如挖掘流、时序和序列数据以及挖掘时间空间、多媒体、文本和Web数据。本书可作为数据挖掘和知识发现领域的教师、研究人员和开发人员的一本必读书。