关于机器学习、数据挖掘的书籍有哪些

数据挖掘机器学习。

4.大数据数据挖掘时代的R语言：R语言实践。

评价：好像是上面的一系列“数据分析-r语言练习”，基本介绍了常见的数据挖掘方法，有理论和实例，适合入门。

5.数据挖掘概念和技术。

评价：入门书，很多理论，好像是很多研究生学习数据挖掘的教科书，很详细，孟晓峰的翻译还是不错的，有很多不好的翻译也没关系。

6.机器学习在行动。

评价：Python写的，如果没有python基础应该先学习python，基本上是基于示例的，**非常详细，也很好理解，GitHub可以****。

7.集体智慧编程。

点评：我一起看的和实际的机器学习实践基本都是一个例子，翻译也可以翻译，比“探索性数据分析”的翻译好多了！！ 是的，你可以做到，而且你基本上可以真正掌握通用数据挖掘的需求。

8.统计学习方法。

评价：李航博士编写的常见机器学习算法的数学推导比较详细，有数学基础的还是很容易理解的。 适合有一定基础的学习。

9.推荐系统在运行。

评价：看名字就知道是关于推荐系统的，对于那些不知道推荐系统是什么的人，可以好好看看，看完之后，你基本了解了推荐系统的一般框架和流程，有一些例子，但每个例子和理论都很肤浅， 不深入，只适合入门。

10.数据挖掘简介。

评价：实习同事本科班的课本也是一本大巨人，一本外国人写的书，非常通俗易懂，非常非常详细。

Datasphere 论坛上有很多，快去找吧，祝你好运！

如下：

1.编程语言。

目前，业界有很多机器学习编程语言，根据一些个人经验，发现最常用的编程语言是Python和SQL。 需要掌握的内容如下：聚合函数、数学函数、字符串函数、连接函数、条件语句等。

2.机器学习。

推荐教科书“Machine Learning in Action”，作者：Peter Harrington。 阅读本书需要读者掌握 Python 语言，以及 Numpy、Scipy 和 MatplotLib 库的一些基本内容。

3.数理统计。

在数理统计中仍然有一些非常常用的东西。 例如，时间序列模型、arma 模型等。 一些数据指标，如平均腔值、方差、标准差、变异系数、相关系数、ROC 曲线和 AUC、召回率和正确性、交叉验证等。

数据挖掘和机器学习之间的区别。

数据挖掘较少关注算法的细节，而更关注结果的解释及其统计意义。 相反，机器学习似乎更关心算法的设计和优化，以及分类、聚类或某些给定问题的有效性，而不是统计学意义。

具体来说，数据挖掘专家可能会做一些非常有趣的实际工作，包括线性回归甚至关联分析，机器学习学者认为这些模型是上个世纪初的产物，并具有一定的统计意义。

1：我个人觉得李航的《统计学习方法》还可以，是一本机器学习基础入门书。 卢瑞才.

3：尝试实现一些最基本的算法。 最简单的例子是 Yu Pu 的贝叶斯分类器，我当年实现了第一个机器学习算法，现在想起来还是很兴奋的。 后来的，如SVM，决策树也可以尝试。

4：一定要做一点应用，否则，感觉全是理论，根本就没有感觉。 例如，上面的朴素贝叶斯分类器可用于创建垃圾邮件过滤系统。

6：到了一定水平，就可以啃PRML了，这太经典了，有点像算法中的算法介绍。

7：至于以后，好吧，我还在啃prml...... 让别人说......

基础书比较多了两本，属于经典教科书，当然难度不深，但内容比较全面，讲解也非常详细，适合初学者。

1.数据挖掘。

介绍，作者：Pang-Ning Tan、Michael Steinbach 和 Vipin Kumar。

范宏建，人民邮电出版社.

2.《数据挖掘：概念与技术》，作者：韩家伟、阚波、范明、孟晓峰译，机械工业出版社。

因为都是中文版，所以阅读基本没有障碍，而且这两家出版社也是电脑领域的传统出版社，质量还是很有保证的。

机器学习是人工智能的核心子领域; 它使计算机无需显式编程即可进入自学习模式。 当接触到新数据时，这些计算机程序能够自行学习、成长、改变和发展。 我的建议是通过**资源而不是书本来学习机器学习。

使用 Python 的完整机器学习课程，机器学习 AZ：练习 Python 和 R，数据科学<>

选择第一道菜。 通过本课程，您将学习：

您将从初学者到非常高的水平，您的老师将在屏幕上与您一起逐步构建每种算法。

在课程中，您将学习如何：

获得正确的 Python 开发环境，并获得完整的机器学习工具集来解决大多数实际问题。

了解各种回归、分类和其他 ML 算法（例如 R 平方、MSE、准确性、混淆矩阵、视觉、召回率等）的性能指标，以及何时使用它们。

它可以以多种方式组合，例如装袋、喂料或堆垛、<>

使用无监督机器学习 （ML） 算法（如分层聚类、k 均值聚类等）来理解数据。

使用 Jupiter （iPython） 笔记本、Spyder 和各种 IDE 进行开发，使用 Mattplotlib 和 Seaborn 进行可视化和有效的通信，设计新功能以改进算法，利用训练测试、k 折叠和分层 k 折叠交叉验证来选择正确的模型，并根据看不见的数据执行模型。

使用支持向量机解决手写识别和一般分类问题，使用决策树解决员工流失问题，并将关联规则应用于零售购物数据集。

机器学习工程师的平均年薪为 10,000 美元——成为本课程的理想人选！

使用强大的机器学习模型解决业务、工作或个人生活中的任何问题。

训练机器学习算法来识别手写内容、检测癌细胞等。

相关资源：

使用 Python 进行数据科学、深度学习和机器学习。

愿一切安好！

关于机器学习的最佳书籍和教程是《机电半自动化入门指南》。 本书包含关于机器的内容广泛，简单细致，值得推荐。

《深度学习》是一本从头开始全面解释深度学习基本概念，为该领域打下坚实基础的书，解释了线性代数、概率和信息论、数值计算、行业标准。

当然，它是人民邮电出版社出版的python高性能编程，因为这本书会非常详细地告诉初学者如何学习。

《an introduction statistical to learning 》

the elements of statistical

它们都是关于统计学习或机器学习方法的。 前者可以看作是后者的简化版本。 它更流行、更简单，而后者则更难一些。 这两本书可以一遍又一遍地阅读，每次都有不同的收获。