Python机器学习基础教程

对此领域零基础的学习者——我而言，它是一本语言比较平实易懂、不过分蔓延或超出「基础」范围的入门书籍。 我通过本书，了解了一些学科的基本概念，如数据集、监督学习与无监督学习的算法等；通过本书，理解了机器学习的模型构建、特征提取、参数调整等流程，搭建了相关领域最基本的认识框架。 希望由此开始理解「机器之心」。

感觉自己看了几个世纪，年底需要再看一遍！目前看到的最好的机器学习书籍

基本上就是教人使用scikit_learn的工具书，作者对这个工具很熟练，并且是其主要贡献者之一。

太过浅显，西方作者表达内容往往比较含糊，很多时候不自己回味根本不知道作者讲的是什么。可以作为快速入门书籍，但是想弄明白，需要自己大量查阅相关知识。不太适合小白。

与生活中的许多事情一样，只有实践才能让你成为本书所介绍主题方面的专家。对于不同的任务和不同的数据集，特征提取、预处理、可视化和模型构建可能差异很大。

通俗易懂，解释清晰，很有启发。虽然使用过sklearn打过一些数模竞赛，但看看了这本书发现自己曾经做过不少傻事的。书里的许多概念讲得很清楚，曾经看博客看文档没明白的东西看这个都懂了。 回头看看这本书，不少地方让我印象深刻。最震撼的是数据变换，在讲解数据处理部分的时候，通过标准化分桶等操作让模型效果有了质的提升，我大开眼界。我刚接触机器学习就是xgb， lstm这些不挑数据的先进算法，数据变换在我心中甚至是可有可与无的东西，我以为各种隐藏的信息隐藏的模式，只要都交给高级算法，就能大力出奇迹，拟合出来。还有特征选择的方法，pipeline的最佳实践也都给我来了很多的启发。

sklearn入门机器学习的工具书，对于机器学习中有监督学习和无监督学习介绍得非常全面透彻，非常推荐机器学习新人阅读！缺点是大多的机器学习方法都比较基础，我个人觉得文本处理那一章介绍的比较粗糙，当然这是站在2024年的眼光来看，这本书依旧是不可多得的好书！

相比较于纯数学理论讲解的书，这本书是让人很容易了解到机器学习的全貌，非常适合实践者阅读

翻着看看，实践体验一下还不错。但是，原理讲得偏少了点。

描述很详细，入门可以。 也会对小白做一些常见误区的讲解。 总的来说是入门必看 最后解释封面有被感动到