书籍摘要

核心定位

这本书不是偏数学推导的机器学习教材，而是一套面向实战的项目训练营。Alexey Grigorev 用“做作品集”的思路，把回归、分类、评估、部署到云端服务串成一条完整路径，重点是让读者真正做出可展示的机器学习项目，而不是只停留在模型公式或 notebook 演示。

内容主线

全书按真实交付流程推进。第一章先解释机器学习与规则系统的区别，以及 business understanding、data preparation、modeling、evaluation、deployment 的完整闭环。随后用回归和分类两个典型问题建立基本功，再把评估指标、模型上线、树模型、深度学习、serverless 部署、Kubernetes/Kubeflow 服务化逐步接上，形成从入门建模到工程落地的学习路线。

章节内容

第一章 先搭建方法论框架，说明什么时候适合用机器学习、监督学习在项目中的位置，以及模型验证与迭代的基本流程。

第二章 用 car-price prediction 项目讲回归任务，覆盖数据下载、EDA、线性回归、RMSE、特征工程、类别变量处理与正则化，适合作为第一个完整项目模板。

第三章 转入 churn prediction，讲分类问题中的数据准备、特征重要性、one-hot encoding、logistic regression 与模型解释。

第四章 专门处理分类评估，说明模型好坏不能只看是否预测正确，而要结合更细的指标体系来判断。

第五章 到 第九章 把重点放到工程化：模型部署、决策树与集成学习、神经网络与深度学习、serverless deep learning，以及用 Kubernetes 和 Kubeflow 提供模型服务。附录还补了环境准备、Python、NumPy、Pandas 与 AWS SageMaker，明显是在降低实战门槛。

适用读者

适合已经会一点 Python、想系统补齐机器学习项目流程的开发者、数据分析师和转岗读者。若你需要一本强调“如何把模型做出来并上线”的入门书，它很合适。若你主要想深入统计学习理论、优化推导或证明，这本书就不是重点方向。

总评

这本书的价值在于把机器学习学习路径从“会调几个模型”拉到“能完成一个端到端项目并形成作品集”。它覆盖面广，但组织方式始终围绕真实项目推进，尤其适合希望尽快建立工程直觉、部署意识和求职展示材料的读者。