你为成为数据科学家做了充分的准备，但实际的工作将于你的预期大不相同。

没有一种筛选和推荐系统让我们绝对满意，因为它减少了我们选择的力量和意义。

分类的度量

如何才能成为一个合格的数据分析师呢？

现在就是开始的最佳机会，立即开始学习，尽快解决实际问题。在学习的过程中，你会不断提升自己，最终让自己大吃一惊，要珍惜每个机会。

本章我们简要介绍下机器学习（Machine Learning）的基本概念。主要介绍机器学习算法的应用，监督学习和无监督学习（supervised-unsupervised learning）的应用场景，训练和测试数据的用法，学习效果评估方式。最后，对scikit-learn进行一些简单的介绍。

深度学习已经成为解决许多具有挑战性的现实问题的首选方法

我们做数据分析，或许不在于分析，而是为了规范。首先数据的背后，是大大小小的管理与决策。

本章介绍用线性模型处理回归问题。

在机器学习中，有一个叫做“没有免费午餐”的定理。简而言之，它指出，没有一种算法对每一个问题都是最有效的，它尤其适用于监督学习(即预测建模)。

结合“微博数据助手”这个产品，今天和大家谈谈如何有效的利用数据来营运社交媒体，微博和微信都有后台数据，道理大同小异。

本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。

选择学习率的简单方法是尝试一堆数字，然后使用看起来效果最好的那个，当训练不再能改善损失时，手动减少它。

这一章，我们讨论广义线性回归模型的具体形式的另一种形式，逻辑回归（logistic regression）。

可怕的机器学习面试。在面试之前，你会觉得自己什么都懂，但是真的开始面试了，你发现你自己什么都不懂！

本章我们要讨论一种简单的非线性模型，用来解决回归与分类问题，称为决策树（decision tree）。

(1)迄今为止我们讨论的人工智能的问题,都还是局限在”认知”方面的应用, 比如图像识别,语音识别,自然语言处理,等等. 这类问题的特点是,机器获得大量原始数据的培训. 每一个输入,都有标准的”输出”的答案. 这种学习方式,也称为”有监督学习”. 但是生活中大多数问题,是没有标准正确答案的…

前言：那些流行的机器学习项目之所以受欢迎，一般是因为其提供了一种多数人需要的服务，或是因为它们是第一个（也许是最好的）针对特定用户提供服务的。那些最流行的项目包括Scikit-learn、TensorFlow、 Theano、MXNet 、Weka 等。根据个人使用的工作系统、深度学习目标不同，不同的人认为流行的项目可能会有些许差异。然而，这些项目共有的特性…

本文使用R语言模拟美式橄榄球比赛数据分析

本文使用R语言模拟美式橄榄球比赛数据分析