在學習和研究機器學習的時候，面臨令人眼花繚亂的算法，機器學習新手往往會不知所措。本書從算法和 Python 語言實現的角度，幫助讀者認識機器學習。

　　本書專注于兩類核心的“算法族”，即懲罰線性回歸和集成方法，并通過代碼實例來展示所討論的算法的使用原則。全書共分為 7 章，詳細討論了預測模型的兩類核心算法、預測模型的構建、懲罰線性回歸和集成方法的具體應用和實現。

　　本書主要針對想提高機器學習技能的 Python 開發人員，幫助他們解決某一特定的項目或是提升相關的技能。

?

　　從數據中提取有助于決策的信息正在改變著現代商業的組織，同時也對軟件開發人員產生了直接的影響。一方面是對新的軟件開發技能的需求，市場分析師預計到 2018 年對具有高級統計和機器學習技術的人才需求缺口將達 140000 ～ 190000 人。這對具有上述技能的人員來說意味著豐厚的薪水和可供選擇的多種有趣的項目。另一方面對開發人員的影響就是逐步出現了統計和機器學習相關的核心工具，這減輕了開發人員的負擔。當他們嘗試新的算法時，不需要重復發明“輪子”。在所有通用計算機語言中，Python 的開發人員已經站在了最前沿，他們已開發了當前最先進的機器學習工具包，但從擁有這些工具包到如何有效地使用它們仍然存在一定的距離。

　　開發人員可以通過在線課程、閱讀質量上乘的書籍等方式來獲得機器學習的相關知識。它們通常都對機器學習的算法、應用實例給出了精彩的闡述，但是因為當前算法如此之多，以至于很難在一門課程或一本書中覆蓋全部算法的相關細節。

　　這給實踐者帶來了困難。當面臨眾多算法時，機器學習新手可能需要多次嘗試才能做出決定，這往往需要開發人員來填補從問題提煉到最終問題解決之間的所有算法使用方便的細節。

　　本書嘗試填補這一鴻溝，所采用的方法就是只集中于兩類核心的“算法族”，這兩類算法族已在廣泛的應用領域中證明了其最佳的性能。此論斷的證據如下：這兩類算法在眾多機器學習算法競爭者中已獲得支配性地位，新開發的機器學習工具包都會率先支持此兩類算法，以及研究工作給出的性能對比結論（見第 1 章）。重點關注這兩類算法使我們可以更詳細地介紹算法的使用原則，并通過一系列的示例細節來展示針對不同問題如何使用這些算法。

　　本書主要通過代碼實例來展示所討論的算法的使用原則。以我在加州山景城的黑客道場（Hacker Dojo）授課的經驗來看，我發現開發人員更愿意通過直接看代碼示例來了解算法原理，而不是通過數學公式推導。

　　本書使用 Python 語言，因為它能提供將功能和專業性良好結合的機器學習算法包。 Python 是一種經常使用的計算機語言，以產生精煉、可讀性代碼而著稱。這導致目前已有相當數量的業界旗艦公司采用 Python 語言進行原型系統開發和部署。Python 語言開發人員獲得了廣泛的支持，包括大量的同業開發人員組成的社區、各種開發工具、擴展庫等等。 Python 廣泛應用于企業級應用和科學研究領域。它有相當數量的工具包支持計算密集型應用，如機器學習。它也收集了當前機器學習領域的代表性算法（這樣就可以省去重復性勞動）。Python 相比專門的統計語言如 R 或 SAS（Statistical Analysis System）是一門更通用的語言，它的機器學習算法包吸收了當前一流的算法，并且在一直擴充。