重磅推荐：《机器学习之黑客帝国》

好吧，我承认这个书名翻译的有点霸气，但它的确是配得上这个名头。《Machine Learning for Hackers》是由O'Reilly出版的关于机器学习领域中R语言应用的新书。 在这里所谓的“黑客”并非是喜欢侵入计算机的那帮人，而是那些“喜欢用新技术来解决问题”的人。而机器学习通常与数据挖掘、知识发现等术语一同使用，往往被认为是一个黑箱，它们广泛利用各种算法来进行数据预测或分类。

这本书利用了统计分析方法来打开这个黑箱，并解决现实生活中的预测和分类问题。该书并没有过分纠缠于公式与原理，也绝不仅是提供一个菜单式操作的傻瓜书。该书取中庸之道，以机器学习的原理应用为重点，结合大量R语言编程和案例，使读者更好地理解如何解决问题，以及为什么可以这样做。本书重点不仅覆盖了各种建模方法，而且而示范了真实的数据分析工作中会遇到的障碍，例如数据清理和转换。

该书假定读者熟悉R语言编程、统计学知识和一般的机器学习算法，所以阅读的难度不小。R语言程序代码的量很大，而且涉及到的领域也很广，给人的启发很多，极有参考价值。另外书中所有的图形都由ggplot2绘图包制成，这不仅有助于解释算法，而且有助于用户在数据建模过程中的可视化。

但它在篇章编排上似乎有点问题，难度不是慢慢上升，而是起伏不平。例如第二章还是在讲很基本的均值概念，第三章就突然跳到文本挖掘和朴素贝叶斯分类器。后面的线性回归和主成份分析又归于平淡，之后的社交媒体图分析又是奇峰凸起。所以读者需要相当的基本功，不论是R语言的基础，还是统计分析的基础。

大纲一览：

• 第一章：对R语言的简介
• 第二章：数据探索分析，介绍了基本的均值、方差等统计概念，还展示了R可视化能力
• 第三章：过滤垃圾邮件。利用朴素贝叶斯分类算法来学习过滤垃圾邮件，展示了R语言处理文本中遇到的各种问题和解决思路，极有价值。
• 第四章：识别邮件优先等级。同样是文本挖掘的方面，利用邮件中包含的信息获取权重，并建立邮件的等级顺序，颇有难度。
• 第五章：线性回归，比较一般。
• 第六章：用LASSO方法来减少多元线性模型的复杂度，由此避免过度拟合，还谈到了岭回归和多重交叉检验，非常精彩。
• 第七章：用最优化来破解加密文本，实现了随机优化的思路，原来R语言还可以这么用的，太神奇了。
• 第八章：用主成分分析来建立股票市场指数，平淡。
• 第九章：利用多维标度分析来探究政治人物的关系，还不错。
• 第十章：用最近邻方法来建立推荐系统，有点意思。
• 第十一章：用Twitter等数据来分析社会网络图，大开眼界了。
• 第十二章：支持向量机与算法的比较，上佳的案例分析，正在阅读之中。

在这里有该书的所有代码与数据，如果你想购买请点这里，如果你想吃免费午餐，到我的博客找找吧。