本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统

用anaconda内部的科学库进行分析运动数据，并能对数据进行分类。(Anaconda's internal science library is used to analyze the motion data and to classify the data.)

机器学习横跨计算机科学、工程科学和统计学等多个学科，需要多学科的专业知识。在需要解释并操作数据的领域都或多或少可以运用到机器学习，通过这本书可以系统地学习基于python语言的机器学习的相关知识(Machine Learning in Action written by Peter Harringto. Machine learning covers many subjects, such as computer science, engineering science and statisti

基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。 经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。(Based on python, it uses principal component analysis (PCA) and K nearest neighbor algorithm (KNN) to classify on the MNIST handwritten data set. After PCA dime