我在很短的時間內(nèi)，通過這本書的引導，搞清楚了如何使用iClient API來建構一個自己感興趣的Network分析應用，很是不錯。這本書無論是在材料安排、寫作內(nèi)容還是寫作方法上，都非常適合指導“初學者”們的入門和進階。

　　前幾天看到一篇微博，談的是GIS技術人員需要掌握的一系列數(shù)學知識，其中一位談論的比較全面，認為應該掌握的基本技能包括三角學、基本微分幾何、拓撲學、微積分、數(shù)值分析、計算機科學、圖理論、幾何學和統(tǒng)計學等，對于統(tǒng)計學，作者還特別強調(diào)，盡管并不是所有的GIS專業(yè)人士都需要了解，但人們越來越清楚的認識到一個基本的統(tǒng)計思維方式是至關重要的——特別是我們的處理對象是大量地理數(shù)據(jù)時，選擇與統(tǒng)計及相關的數(shù)據(jù)挖掘知識，更有利于我們實現(xiàn)更快地實現(xiàn)自己的目標。

　　現(xiàn)在，對于“大數(shù)據(jù)”和數(shù)據(jù)挖掘之類的名詞，已經(jīng)成為一個非常熱門的話題。人們早已意識到，從數(shù)據(jù)海洋中尋找到其中蘊含的模式和規(guī)律，比數(shù)據(jù)本身重要得多，唯有如此，海量的數(shù)據(jù)才能被稱之為“大數(shù)據(jù)”，否則也只能被看作是沒有價值的“大的數(shù)據(jù)”。從數(shù)據(jù)中進行知識提取的技術被稱作數(shù)據(jù)挖掘(Data Mining)，它包含了豐富的技術內(nèi)容，也蘊含了很多高深的數(shù)學知識，當然，它也非常有用：從我們耳熟能詳?shù)幕貧w分析到貝葉斯分析，從最簡單的KNN分類算法到支持向量機(SVM)分類?？赡艽蠹也]有意識到，我們的生活中許許多多的問題都可以被視作一種數(shù)據(jù)挖掘的處理內(nèi)容：根據(jù)一系列指標來判斷某個人是否受歡迎?求醫(yī)者的多參數(shù)檢查結果是否預示著他罹患疾病?高爾夫球場根據(jù)一系列氣象指標來決定是否開門營業(yè)?一群對象是否可以根據(jù)其相似性被歸結為一個類型?如何判斷一封email是否為垃圾郵件?這些包羅萬象的領域，因為涉及到對數(shù)據(jù)的處理和分析，而為數(shù)據(jù)挖掘的技術人員們所關注。

　　但我們常常遇到一個問題是，該如何進入數(shù)據(jù)挖掘的領域，該如何從基礎開始學習數(shù)據(jù)挖掘。當然，許多網(wǎng)絡文章會推薦我們使用SPSS或SAE之類的商業(yè)軟件，或者學習使用Weka等開源數(shù)據(jù)挖掘的產(chǎn)品，然而這類工具都有一個讓初學者無比困惑的問題：其數(shù)據(jù)整理和分析結果如同天書一般，沒有一點理論知識的儲備，你簡直都不知道軟件輸出的內(nèi)容在說些什么。為了數(shù)據(jù)挖掘的入門，我們需要一本既包含基礎數(shù)學知識(當然不能是零基礎，基本的微積分和矩陣計算知識還是必須具備的)，又能夠將之與代碼相結合的書籍，而《Machine Learning in Action》正是這樣一本中級的進階圖書。它將基本的機器學習理論與實際的運用工具(Python語言和一系列基于Python的工具)相結合。該書回避了復雜的數(shù)學原理(但并非毫無涉及，只是將原理進行了極大的簡化)，并且提供了大量的分類、聚類、回歸等實際案例及其Python代碼來實現(xiàn)各種算法，在初步了解原理之后閱讀，會感覺其清晰明了，并能投入實際應用之中。

　　但盡管該書條理清晰如此，閱讀它絕非是一件輕松愉悅的事情，畢竟是有那么多的數(shù)學內(nèi)容。唯有不斷地在Python IDE上coding和反復咀嚼，方才能通過它初窺門徑，進入數(shù)據(jù)挖掘的廣闊天地。（蔣波濤）