一个合格的读者，应该明白自己需要什么（机器学习实战）书评
https://book.douban.com/review/6249619/
这本书能让你明白：
那些被吹捧得出神入化的分类算法，竟然实现起来如此简单；
那些看是高深的数学理论，其实一句话就能道明其本质；
一切复杂的事物，出发点都是非常简单的想法。
[list]《机器学习实战》学习笔记 - qwertWZ - 博客园 http://www.cnblogs.com/qwertWZ/p/4510859.html
使用Apriori算法和FP-growth算法进行关联分析 - qwertWZ - 博客园 http://www.cnblogs.com/qwertWZ/p/4510857.html
系列文章：《机器学习实战》学习笔记
最近看了《机器学习实战》中的第11章（使用Apriori算法进行关联分析）和第12章（使用FP-growth算法来高效发现频繁项集）。正如章节标题所示，这两章讲了无监督机器学习方法中的关联分析问题。关联分析可以用于回答"哪些商品经常被同时购买？"之类的问题。书中举了一些关联分析的例子:
通过查看哪些商品经常在一起购买，可以帮助商店了解用户的购买行为。这种从数据海洋中抽取的知识可以用于商品定价、市场促销、存活管理等环节。
在美国国会投票记录中发现关联规则。在一个国会投票记录的数据集中发现议案投票的相关性，（原文：这里只是出于娱乐的目的，不过也可以……）使用分析结果来为政治竞选活动服务，或者预测选举官员会如何投票。
发现毒蘑菇的相似特征。这里只对包含某个特定元素（有毒性）的项集感兴趣，从中寻找毒蘑菇中的一些公共特征，利用这些特征来避免吃到那些有毒蘑菇。
在Twitter源中发现一些共现词。对于给定搜索词，发现推文中频繁出现的单词集合。
从新闻网站点击流中挖掘新闻流行趋势，挖掘哪些新闻广泛被用户浏览到。
搜索引擎推荐，在用户输入查询词时推荐同相关的查询词项。
从大规模数据集中寻找物品间的隐含关系被称作关联分析（association analysis）或者关联规则学习（association rule learning）。这里的主要问题在于，寻找物品的不同组合是一项十分耗时的任务，所需的计算代价很高，蛮力搜索方法并不能解决这个问题，所以需要用更智能的方法在合理的时间范围内找到频繁项集。本文分别介绍如何使用Apriori算法和FP-growth算法来解决上述问题。
《机器学习实战》读书笔记11 - 简书
http://www.jianshu.com/p/d5c210186808
