本书教你两件事——机器学习模型及其使用方法

机器学习模型有不同的类型，有些返回确定性的答案，例如是或否，而另一些返回概率性的答案。有些以问题的形式呈现；其他则使用假设性表达。这些类型的一个共同点是它们都返回一个答案或一个预测。比如，返回预测的模型的机器学习分支被命名为预测机器学习(predictivemachine learning)。这就是我们在本书中关注的机器学习类型。

本书的组织方式：路线图章节类型

本书的章节分为两种类型。大多数章节(第3、5、6、8、9、10、11 和12 章)都包含某一类型的机器学习模型。每章的模型都有相应的例子、公式、代码和习题供你进行仔细学习。其他章节(第4、7 和13 章)包含用于训练、评估和改进机器学习模型的实用技术。值得注意的是，第13 章包含一个真实数据集的端到端示例，你将能够在第13 章中应用前几章中学到的知识。

推荐的学习路径可以通过两种方式使用本书。我推荐逐章线性浏览，这样你会发现，交替进行模型学习和训练模型技术学习是有益的。但是，还有另一种学习路径，即先学习所有模型(第3、5、6、8、9、10、11 和12 章)，然后学习训练模型的技术(第4、7 和13 章)。

当然，每个人的学习方式有所不同，也可以创建自己的学习路径！

本书主要内容

 描述预测性机器学习中最重要的模型及其工作原理，包括线性回归、逻辑回归、朴素贝叶斯、决策树、神经网络、支持向量机和集成方法。

 确定这些模型的优缺点以及使用的参数。

 确定这些模型在现实世界中的使用方式，并发现潜在方法，将机器学习应用于你想要解决的任何特定问题上。

 了解如何优化、比较并改进这些模型，以构建最佳机器学习模型。

 手动编程或使用现有安装包进行编程，并用它们对真实数据集进行预测。

如果你有一个特定的数据集或想要解决某一特定问题，我建议你思考如何将你在本书中学到的知识应用到这一数据集上，或用所学的知识解决问题，并以此为起点实现和实验自己的模型。