擁有大腦的好處在于：一個人可以學習，無知可以變成有知，點滴知識可以逐漸匯聚成江海
Douglas Hofstadter
機器學習屬于人工智能范疇，其目的是基于現(xiàn)有數(shù)據(jù)集（訓練集）來尋找函數(shù)，以便以盡可能高的正確性預測先前未見過的數(shù)據(jù)集（測試集）的結果，這通常以標簽和類別的形式（分類問題）或以連續(xù)值的形式（回歸問題）出現(xiàn)。在實際應用中，機器學習的具體實例包括預測未來股票價格，或從一組文件中對作者性別進行分類，等等。本書介紹最重要的機器學習概念和適合更大數(shù)據(jù)集的方法，并通過Python的實際示例向讀者進行講解。主要討論監(jiān)督學習（分類和回歸），以及適用于更大數(shù)據(jù)集的無監(jiān)督學習，比如主成分分析（PCA）、聚類和主題建模。
谷歌、Facebook和優(yōu)步等大型IT公司都聲稱它們成功地大規(guī)模應用了這樣的機器學習方法，從而引起世界轟動。隨著大數(shù)據(jù)的出現(xiàn)和適用性提高，對可擴展機器學習解決方案的需求呈指數(shù)增長，導致許多其他公司甚至個人也已經開始渴望在大數(shù)據(jù)集中挖掘隱藏的相關性成果。不幸的是，大多數(shù)學習算法都不能很好擴展，會在臺式計算機或較大的計算集群上導致CPU和內存過載。因此，即使大數(shù)據(jù)的炒作高峰已經過去，但可擴展機器學習解決方案并不充裕。
坦率地說，仍然需要解決許多瓶頸問題，即便是很難歸類為大數(shù)據(jù)的數(shù)據(jù)集也如此（有的數(shù)據(jù)集高達2GB甚至更大）。本書的任務是提供合適的方法（有時甚至是非常規(guī)方法），以便大規(guī)模應用最強大的開源機器學習方法，而無須昂貴的企業(yè)解決方案或大型計算集群。通過本書，讀者可以學習使用Python和其他一些可用的解決方案（這些方案與可擴展的機器學習流水線能很好地集成）。閱讀這本書是一次旅程，它將讓你對機器學習有一個全新的了解，從而為你開始真正的大數(shù)據(jù)分析奠定基礎。
本書涵蓋的內容
第1章以正確視角提出可擴展機器學習的問題，以便你熟悉本書中將要使用的工具。
第2章討論采用隨機梯度下降（SGD）策略減少內存消耗，它基于非核心學習的主題。另外演示各種數(shù)據(jù)的不同處理技術，例如散列技巧。
第3章介紹流算法，它能夠以支持向量機的形式發(fā)現(xiàn)非線性。我們將介紹目前Scikit-learn的替代方法，如LIBLINEAR和Vowpal Wabbit，雖然它們以外部shell命令運行，但很容易用Python腳本封裝和定向。
第4章為在Theano框架中應用深度神經網絡以及使用H2O進行大規(guī)模處理提供有用策略。盡管這是個熱門話題，但成功應用它會相當困難，更別說提供可擴展的解決方案。另外，還將學習使用theanets包中的自動編碼器實現(xiàn)無監(jiān)督的預訓練。
第5章介紹有趣的深度學習技術與在線神經網絡方法。雖然TensorFlow還處于起步階段，但該框架提供了非常不錯的機器學習解決方案。此外，還將詳解如何在TensorFlow環(huán)境中使用Keras卷積神經網絡功能。
第6章詳解隨機森林、梯度增強和XGboost的可擴展解決方案。CART是分類和回歸樹的縮寫，它是一種通常應用于集成方法框架的機器學習方法。我們還將演示使用H2O的大規(guī)模應用實例。
第7章深入介紹無監(jiān)督學習、PCA、聚類分析和主題建模方法，并使用正確方法對它們進行擴展。
第8章學習如何在虛擬機環(huán)境中設置Spark，以便從單臺機器轉移到網絡計算范例。Python很容易在機器集群上集成并能增強我們的工作效率，因此很容易利用Hadoop集群的能力。
第9章演示使用Spark處理數(shù)據(jù)和在大數(shù)據(jù)集上構建預測模型的所有重要環(huán)節(jié)。
附錄介紹GPU和Theano，包括Theano和GPU計算的基礎知識。如果你的系統(tǒng)允許，還將幫助讀者學習相關安裝和環(huán)境配置，以便在GPU上使用Theano。
本書要求
運行書中代碼示例需要在macOS、Linux或Microsoft Windows上安裝Python 2��7或更高版本。
書中示例經常使用Python的基本功能庫，例如SciPy、NumPy、Scikit�瞝earn和StatsModels，并且在某種程度上使用matplotlib和pandas進行科學和統(tǒng)計計算。也會使用稱為H2O的非核心云計算應用程序。
本書需要Jupyter及其Python內核驅動的Notebooks，本書使用最新版本4��1。
第1章將為設置Python環(huán)境、核心庫以及全部必需工具提供所有分步說明和某些技巧。
本書讀者
本書適合數(shù)據(jù)科學從業(yè)者、開發(fā)人員以及計劃使用大型復雜數(shù)據(jù)集的讀者。 我們努力讓本書擁有盡可能好的可讀性，以便適合更多讀者。 考慮到本書主題非常先進，我們建議讀者先熟悉基本的機器學習概念，如分類和回歸、誤差最小化函數(shù)和交叉驗證等，但不嚴格要求讀者必須這樣做。本書假設讀者了解Python、Jupyter Notebooks和命令行運行，并有一定的數(shù)學基礎，能夠掌握書中的各種大型解決方案背后的概念。本書寫作風格也適合使用其他語言（R、Java和MATLAB）的程序員。 理想情況下，非常適合（但不限于）熟悉機器學習并有興趣使用Python的數(shù)據(jù)科學家，因為相比于R或MATLAB而言，Python在計算、內存和I/O方面有優(yōu)勢。
排版約定
書中代碼塊設置如下：

大多數(shù)示例中使用Jupyter Notebooks，所以希望在包含代碼塊的單元中始終帶有輸入（標記為In:)，并通常帶有輸出（標記為Out:)。在你的計算機上，只需輸入In：后面的代碼，并檢查結果是否與Out：后面的內容相對應：

在終端命令行中給出命令時，會帶有前綴$>，否則，如果是Python REPL，則以>>>開頭：

表示警告或重要說明。
表示提示和技巧。
下載示例代碼及彩色圖像
本書的示例代碼及所有截圖和樣圖，可以從http://www�眕acktpub�眂om通過個人賬號下載，也可以訪問華章圖書官網http://www�県zbook�眂om，通過注冊并登錄個人賬號下載。
還可以從GitHub獲取本書代碼：
https：//github�眂om/PacktPublishing/Large�睸cale�睲achine�睱earning�瞁ith�睵ython。