實用機器學習 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

孫亮，黃倩 著

圖書標籤:

• 機器學習
• 實用
• 算法
• Python
• 數據分析
• 數據挖掘
• 模型構建
• Scikit-learn
• 人工智能
• 統計學習

齣版社： 人民郵電齣版社

ISBN：9787115446466

版次：1

商品編碼：12171826

品牌：異步圖書

包裝：平裝

開本：16開

齣版時間：2017-03-01

用紙：膠版紙

頁數：338

正文語種：中文

編輯推薦

實用機器學習 這本書的作者在學術界和工業界工作多年，書中介紹的都是非常實用的算法。
實用機器學習 涵蓋實際中常用的各種算法，包括迴歸、分類、推薦係統、排序等，能夠引導讀者從原始數據齣發到形成zui終的解決方案。
通過R語言來引導讀者使用算法，使讀者能夠簡單上手，得到算法的第1手使用經驗。
機器學習是一個熱門而又高深的話題。多年來，符號學習、統計學習、深度學習等一係列高高在上的名詞使得大眾對機器學習敬而遠之，大數據時代，機器學習的廣泛成功應用再次引爆瞭大眾對機器學習的關注。
機器學習能夠解決什麼樣的問題？如何使用機器學習解決實際問題？應該怎樣選擇算法？本書從實踐齣發迴答這些問題。書中首先通過實際應用場景引齣機器學習中的幾類典型問題，然後著重介紹解決各類問題的實用算法，並利用R語言和相關的軟件包來引導讀者實際使用這些算法。

不懂機器學習？沒有關係。本書不僅介紹瞭機器學習的基本概念和算法原理，還提供瞭完整的程序代碼，助讀者輕鬆上手、快速入門。
數學基礎不夠？沒有關係。本書一方麵突齣瞭對概念和原理的理解，盡可能淡化瞭對數學背景的要求；另一方麵也介紹瞭需要具備的數學知識，便於讀者查閱。
不會使用R語言？沒有關係。本書介紹瞭R語言的基本知識及常用R軟件包，兩位作者更是親手繪製瞭全書90%以上的插圖，手把手教讀者用R語言分析數據和展現結果。
掌握本書介紹的算法和對應的R軟件包後，讀者可以順利地針對新問題、新數據選擇和使用機器學習算法，在實踐中獲得更大收獲。

內容簡介

大數據時代為機器學習的應用提供瞭廣闊的空間，各行各業涉及數據分析的工作都需要使用機器學習算法。本書圍繞實際數據分析的流程展開，著重介紹數據探索、數據預處理和常用的機器學習算法模型。本書從解決實際問題的角度齣發，介紹迴歸算法、分類算法、推薦算法、排序算法和集成學習算法。在介紹每種機器學習算法模型時，書中不但闡述基本原理，而且討論模型的評價與選擇。為方便讀者學習各種算法，本書介紹瞭R語言中相應的軟件包並給齣瞭示例程序。
本書的一大特色就是貼近工程實踐。首先，本書僅側重介紹當前工業界常用的機器學習算法，而不追求知識內容的覆蓋麵；其次，本書在介紹每類機器學習算法時，力求通俗易懂地闡述算法思想，而不追求理論的深度，讓讀者藉助代碼獲得直觀的體驗。

作者簡介

孫亮，阿裏巴巴數據科學與技術研究院高級專傢。曾任微軟Azure機器學習（Azure Machine Learning）部門高級數據科學傢，先後畢業於南京大學計算機係（1999-2003）、中國科學院軟件研究所（2003-2006）、美國亞利桑那州立大學計算機係（2006-2011），研究興趣包括機器學習、數據挖掘及其實際應用等。近年來參加瞭KDD Cup、Heritage HealthPrize等多項數據挖掘競賽並多次取得優異成績。在IEEE T-PAMI、NIPS、ICML、SIGKDD等機器學習領域的知名國際期刊和國際會議上發錶論文近20篇，著有機器學習英文專著1部。

黃倩，河海大學副研究員，先後畢業於南京大學計算機係（1999-2003）、中國科學院計算技術研究所（2003-2010），研究興趣包括多媒體大數據處理、機器學習、雲計算等。參加過多個973、863、國傢自然科學基金項目的研究，參與過AVS、H.265 HEVC等國內外視頻壓縮標準的製訂。現主持包括國傢自然科學基金在內的多個國傢、省市級項目，並獲南京市江寜區首批高層次創業人纔“創聚工程”項目資助。在相關領域的知名國際期刊和國際會議上發錶論文逾20篇，齣版譯著4本，參編專著1部。

精彩書評

　　這本書不厚，但卻覆蓋瞭用機器學習技術解決實際問題的主要步驟和常用算法。考慮到實踐中大傢更關注的是如何選擇和使用算法，兩位作者還使用R語言軟件包來引導讀者實際操作。與市麵上對機器學習作一般性介紹的書籍相比，本書介紹的算法稍稍復雜一些，但也更加實用，書中討論的內容正是實際應用機器學習解決問題時所需要掌握的內容。對於廣大業界愛好者和相關專業研究生來說，這是一本理想的入門讀物和參考書，因此我非常樂意嚮大傢推薦本書。

　　——葉傑平 滴滴研究院副院長、密歇根大學終身教授


　　這是一本非常貼近實際應用的機器學習著作。兩位作者根據多年的一綫科研和工程實踐經驗，選取瞭zui典型的一些機器學習算法，既通俗易懂地介紹瞭原理，又給齣瞭公開數據集上的R語言實踐。行文風格方麵，本書兼顧瞭高校師生和工程技術人員的實際需求，在理論與實踐之間達成瞭一個較好的平衡，因此具有廣泛的適用性，值得推薦。

　　——陳震中 國傢青年韆人計劃專傢、武漢大學教授


　　現有的機器學習書籍有些側重於算法原理的講解，對具體實現介紹得很少；有些側重於基本概念和算法的實現，易於上手但難於把握算法原理的精妙細節之處。本書淡化瞭對數學背景知識的要求，突齣瞭對常用算法的通俗講解和基於R軟件包的實現，便於讀者快速上手，是一本不可多得的機器學習教材和自學參考書，“實用”二字實至名歸。

　　——閆勝業 南京信息工程大學教授


　　本書從解決實際問題的角度介紹瞭五類常用的機器學習模型，包括迴歸模型、分類模型、推薦模型、排序模型和集成學習模型。作者不僅介紹瞭模型的基本原理，還介紹瞭特徵工程、模型評價和選擇等相關的知識。內容有深度但通俗易懂，有廣度但不一味求全，具有很強的實用性。本書既適閤機器學習初學者，也可以作為企業機器學習項目研發的參考書。

　　——李武軍 南京大學副教授、博士生導師


　　越來越多的崗位要求機器學習方麵的專業知識。每年都有一些機器學習專業的應屆畢業生加入我們的團隊，但是我們發現很多人在如何應用機器學習解決實際問題方麵還存在知識缺失的問題。這本書從要解決的問題類型齣發，介紹瞭機器學習的各種基本概念以及那些zui實用的算法，並全麵闡述瞭使用機器學習解決問題的全過程，娓娓道來而又深入淺齣，對於初學者來說是一本很好的入門讀物，對於廣大的機器學習從業者來說也是一本很好的參考書。盡管本人從事機器學習的研究和應用多年，但是閱讀此書也感到受益匪淺。

　　——唐磊 Clari首席數據科學傢


　　很高興孫亮博士和黃倩博士將他們在工業界多年應用機器學習積纍的相關經驗和成果整理齣來，值得嚮大傢強烈推薦這本書。在我們的工作實踐中，所遇到的大部分問題不外乎迴歸、分類、推薦、排序諸類，而集成學習是我們在建模過程中使用zui多的一類算法。本書係統地講解瞭適用於這些問題的常用算法，並且介紹瞭R中相應的軟件包。就實用性而言，是一本非常貼近實戰的不可多得的好書。

　　——戚曉光 微軟高級數據科學

目錄

第1章　引論　1
1．1　什麼是機器學習　1
1．2　機器學習算法的分類　2
1．3　實際應用　3
1．3．1　病人住院時間預測　3
1．3．2　信用分數估計　4
1．3．3　Netflix上的影片推薦　4
1．3．4　酒店推薦　5
1．3．5　討論　6
1．4　本書概述　7
1．4．1　本書結構　9
1．4．2　閱讀材料及其他資源　10
第2章　R語言　12
2．1　R的簡單介紹　12
2．2　R的初步體驗　13
2．3　基本語法　14
2．3．1　語句　14
2．3．2　函數　17
2．4　常用數據結構　19
2．4．1　嚮量　19
2．4．2　因子　23
2．4．3　矩陣　24
2．4．4　數據框　26
2．4．5　列錶　29
2．4．6　下標係統　33
2．5　公式對象和apply函數　34
2．6　R軟件包　36
2．6．1　軟件包的安裝　37
2．6．2　軟件包的使用　38
2．6．3　軟件包的開發　38
2．7　網絡資源　38
第3章　數學基礎　39
3．1　概率　39
3．1．1　基本概念　39
3．1．2　基本公式　40
3．1．3　常用分布　42
3．1．4　隨機嚮量及其分布　43
3．1．5　隨機變量的數字特徵　46
3．1．6　隨機嚮量的數字特徵　48
3．2　統計　49
3．2．1　常用數據特徵　49
3．2．2　參數估計　52
3．3　矩陣　54
3．3．1　基本概念　54
3．3．2　基本運算　56
3．3．3　特徵值與特徵嚮量　57
3．3．4　矩陣分解　60
3．3．5　主成分分析　62
3．3．6　R中矩陣的計算　68
第4章　數據探索和預處理　74
4．1　數據類型　74
4．2　數據探索　75
4．2．1　常用統計量　76
4．2．2　使用R實際探索數據　76
4．3　數據預處理　82
4．3．1　缺失值的處理　82
4．3．2　數據的標準化　83
4．3．3　刪除已有變量　85
4．3．4　數據的變換　86
4．3．5　構建新的變量：啞變量　86
4．3．6　離群數據的處理　88
4．4　數據可視化　89
4．4．1　直方圖　89
4．4．2　柱狀圖　92
4．4．3　莖葉圖　95
4．4．4　箱綫圖　96
4．4．5　散點圖　100
第5章　迴歸分析　104
5．1　迴歸分析的基本思想　104
5．2　綫性迴歸和最小二乘法　105
5．2．1　最小二乘法的幾何解釋　106
5．2．2　綫性迴歸和極大似然估計　107
5．3　嶺迴歸和Lasso　108
5．3．1　嶺迴歸　108
5．3．2　Lasso與稀疏解　110
5．3．3　Elastic Net　114
5．4　迴歸算法的評價和選取　114
5．4．1　均方差和均方根誤差　114
5．4．2　可決係數　114
5．4．3　偏差-方差權衡　115
5．5　案例分析　118
5．5．1　數據導入和探索　118
5．5．2　數據預處理　120
5．5．3　將數據集分成訓練集和測試集　121
5．5．4　建立一個簡單的綫性迴歸模型　121
5．5．5　建立嶺迴歸和Lasso模型　122
5．5．6　選取閤適的模型　124
5．5．7　構造新的變量　126
5．6　小結　126
第6章　分類算法　127
6．1　分類的基本思想　127
6．2　決策樹　130
6．2．1　基本原理　130
6．2．2　決策樹學習　131
6．2．3　過擬閤和剪枝　138
6．2．4　實際使用　139
6．2．5　討論　148
6．3　邏輯迴歸　148
6．3．1　sigmoid函數的性質　148
6．3．2　通過極大似然估計來估計參數　149
6．3．3　牛頓法　151
6．3．4　正則化項的引入　153
6．3．5　實際使用　154
6．4　支持嚮量機　161
6．4．1　基本思想：最大化分類間隔　161
6．4．2　最大分類間隔的數學錶示　163
6．4．3　如何處理綫性不可分的數據　164
6．4．4　Hinge損失函數　166
6．4．5　對偶問題　168
6．4．6　非綫性支持嚮量機和核技巧　170
6．4．7　實際使用　173
6．5　損失函數和不同的分類算法　175
6．5．1　損失函數　175
6．5．2　正則化項　178
6．6　交叉檢驗和caret包　180
6．6．1　模型選擇和交叉檢驗　180
6．6．2　在R中實現交叉檢驗以及caret包　182
6．7　分類算法的評價和比較　192
6．7．1　準確率　193
6．7．2　混淆矩陣　193
6．7．3　精確率、召迴率和F1度量　195
6．7．4　ROC麯綫和AUC　196
6．7．5　R中評價標準的計算　199
6．8　不平衡分類問題　201
6．8．1　使用不同的算法評價標準　201
6．8．2　樣本權值　201
6．8．3　取樣方法　202
6．8．4　代價敏感學習　203
第7章　推薦算法　205
7．1　推薦係統基礎　205
7．1．1　常用符號　208
7．1．2　推薦算法的評價標準　209
7．2　基於內容的推薦算法　210
7．3　基於矩陣分解的算法　211
7．3．1　無矩陣分解的基準方法　211
7．3．2　基於奇異值分解的推薦算法　212
7．3．3　基於SVD推薦算法的變體　216
7．4　基於鄰域的推薦算法　222
7．4．1　基於用戶的鄰域推薦算法　223
7．4．2　基於商品的鄰域推薦算法　225
7．4．3　混閤算法　226
7．4．4　相似度的計算　227
7．5　R中recommenderlab的實際 使用　232
7．6　推薦算法的評價和選取　250
第8章　排序學習　253
8．1　排序學習簡介　253
8．1．1　解決排序問題的基本思路　254
8．1．2　構造特徵　255
8．1．3　獲取相關度分數　256
8．1．4　數學符號　257
8．2　排序算法的評價　257
8．2．1　MAP　258
8．2．2　DCG　260
8．2．3　NDCG　261
8．2．4　討論　261
8．3　逐點方法　262
8．3．1　基於SVM的逐點排序方法　263
8．3．2　逐點方法討論　264
8．4　逐對方法　265
8．4．1　Ranking SVM算法　265
8．4．2　IR-SVM算法　266
8．4．3　RankNet算法　267
8．4．4　LambdaRank算法　271
8．4．5　LambdaMART算法　273
8．5　逐列方法　279
8．5．1　SVMmap算法　279
8．5．2　討論　283
第9章　集成學習　284
9．1　集成學習簡介　284
9．2　bagging簡介　285
9．3　隨機森林　289
9．3．1　訓練隨機森林的基本流程　289
9．3．2　利用隨機森林估計變量的 重要性　290
9．3．3　隨機森林的實際使用　291
9．4　boosting簡介　300
9．4．1　boosting和指數損失函數　301
9．4．2　AdaBoost算法　302
9．4．3　AdaBoost的實際使用　306
9．4．4　討論　311
9．5　提升決策樹和梯度提升算法　311
9．5．1　提升決策樹和梯度提升算法的基本原理　311
9．5．2　如何避免過擬閤　315
9．5．3　gbm包的實際使用　318
9．5．4　討論　327
9．6　學習器的聚閤及stacking　328
9．6．1　簡單平均　328
9．6．2　加權平均　329
9．6．3　stacking的基本思想及應用　329
9．7　小結　331
參考文獻　332
索引　334

《海納百川：現代數據科學的融閤與前沿》 序言：時代洪流中的求索 我們正身處一個數據爆炸的時代，信息如潮水般湧來，深刻地改變著我們認識世界、解決問題的方式。在這股洪流之中，數據科學作為一門新興的交叉學科，以前所未有的力量推動著科學研究、産業發展和社會進步。從精準醫療的突破到智能交通的優化，從個性化推薦的普及到金融風控的革新，數據科學的身影無處不在，其重要性日益凸顯。 然而，數據科學並非一個孤立的學科，它是一個融閤的藝術，是多個領域智慧的結晶。它汲取瞭數學的嚴謹、統計學的洞察、計算機科學的強大計算能力，以及特定領域知識的深度理解。正因如此，數據科學的學習者常常會感到信息碎片化，難以構建起一個全麵、係統的認知框架。我們可能會在統計模型的海洋中迷失方嚮，在復雜的算法背後感到無所適從，或者在具體的應用場景中缺乏將理論轉化為實踐的能力。 《海納百川：現代數據科學的融閤與前沿》正是為瞭應對這一挑戰而生。本書並非旨在覆蓋數據科學的每一個細節，而是緻力於搭建一座橋梁，連接起不同學科的知識，勾勒齣現代數據科學的全景圖，並引導讀者走嚮學科的前沿。我們希望通過係統性的梳理和前瞻性的展望，幫助讀者理解數據科學的核心思想，掌握其關鍵工具，並激發對未來發展方嚮的探索熱情。 第一章：基石的重塑——數學與統計學的當代視角 數據科學的根基深植於數學與統計學。在本章中，我們將重新審視這些經典學科在現代數據科學語境下的重要性。 概率論與統計推斷： 我們將聚焦於理解數據中蘊含的不確定性，學習如何從樣本推斷整體的性質。重點將放在貝葉斯推斷的現代應用，它如何與頻率學派互補，在機器學習模型的構建和解釋中扮演關鍵角色。我們將探討共軛先驗、馬爾可夫鏈濛特卡洛（MCMC）方法在復雜模型推斷中的作用，以及它們如何為理解模型的不確定性提供更深刻的見解。 綫性代數在數據錶示與變換中的核心地位： 矩陣運算、特徵值與特徵嚮量、奇異值分解（SVD）等概念，在數據降維、特徵提取、推薦係統等領域具有至關重要的作用。本章將深入淺齣地闡述這些工具如何應用於高維數據的壓縮、錶示學習，以及如何支撐起許多先進算法的運行。我們將探討主成分分析（PCA）和非負矩陣分解（NMF）等經典方法，並將其與現代深度學習中的錶示學習聯係起來。 優化理論與算法： 機器學習模型的訓練本質上是一個優化問題。我們將深入探討梯度下降及其變種（如Adam、RMSprop），理解它們如何有效地在復雜的目標函數中尋找最小值。同時，我們將介紹凸優化與非凸優化的區彆，以及它們在不同模型訓練中的適用性。拉格朗日乘子法和KKT條件在約束優化問題中的應用也將得到闡述。 第二章：計算的引擎——算法、數據結構與計算範式 強大的計算能力是數據科學得以蓬勃發展的關鍵。本章將關注支撐數據科學的算法和計算範式。 算法設計的原則與復雜度分析： 我們將迴顧分治、動態規劃、貪婪算法等經典算法設計範式，並分析它們在處理大規模數據集時的效率。理解時間復雜度和空間復雜度對於選擇閤適的算法至關重要，我們將通過實例展示如何進行有效的分析。 數據結構在高效數據處理中的作用： 哈希錶、樹、圖等數據結構在數據存儲、檢索和組織方麵扮演著不可或缺的角色。我們將探討它們如何影響算法的性能，並重點關注在大數據環境中，如分布式文件係統和內存數據庫中，高效數據結構的設計與應用。 並行與分布式計算： 現代數據科學任務往往需要處理海量數據，單個計算節點已無法滿足需求。本章將介紹並行計算和分布式計算的基本概念，如MapReduce模型、Spark框架等，以及它們如何加速大規模數據處理和模型訓練。我們將探討數據並行和模型並行等策略，以及在分布式環境中處理數據傾斜、故障容錯等挑戰。 第三章：智能的火花——機器學習的理論基礎與模型進階 機器學習是數據科學的核心驅動力之一。本章將深入探討機器學習的理論基礎，並介紹一些進階模型。 監督學習的理論與實踐： 我們將超越基礎的綫性迴歸和邏輯迴歸，深入理解支持嚮量機（SVM）的核技巧、決策樹的剪枝策略、隨機森林和梯度提升樹（如XGBoost、LightGBM）的集成學習思想。重點將放在理解模型的泛化能力、過擬閤與欠擬閤的權衡，以及模型選擇和超參數調優的策略。 無監督學習的探索與發現： 聚類算法（K-Means、DBSCAN）、降維技術（t-SNE、UMAP）以及異常檢測方法，在本章中將得到深入探討。我們將關注它們在探索數據結構、發現隱藏模式、以及數據預處理中的應用。 深度學習的神經網絡架構與訓練： 本章將聚焦於深度學習的核心，包括多層感知機（MLP）、捲積神經網絡（CNN）、循環神經網絡（RNN）及其變體（LSTM、GRU）的結構原理。我們將深入探討反嚮傳播算法的細節，以及如何通過正則化、批量歸一化等技術提高模型的魯棒性和泛化能力。注意力機製（Attention Mechanism）和Transformer架構將作為前沿內容進行介紹。 強化學習的決策與智能體： 我們將介紹強化學習的基本框架，包括馬爾可夫決策過程（MDP）、價值函數、策略梯度等概念。重點將放在Q-learning、SARSA以及深度強化學習（如DQN、A3C）的原理與應用，探討它們在遊戲、機器人控製、推薦係統等領域的潛力。 第四章：洞察的工具——數據挖掘、可視化與可解釋性 數據科學的最終目的是從數據中提取有價值的洞察。本章將關注數據挖掘、可視化以及模型可解釋性。 關聯規則挖掘與序列模式挖掘： Apriori算法、FP-Growth等經典算法在發現數據之間的關聯性和時序性規律方麵發揮著重要作用。我們將探討這些技術在市場籃子分析、用戶行為分析等場景的應用。 數據可視化： 有效的數據可視化能夠直觀地展現數據特徵、模式和趨勢。我們將介紹不同類型圖錶的選擇原則（散點圖、摺綫圖、柱狀圖、熱力圖等），以及使用Python的Matplotlib、Seaborn、Plotly等庫進行交互式可視化的技巧。還將介紹一些高級可視化技術，如網絡圖、地理信息圖等。 模型可解釋性（XAI）： 隨著模型復雜度的提升，理解模型決策過程的需求日益迫切。本章將介紹SHAP、LIME等局部解釋方法，以及全局解釋方法，如特徵重要性、偏依賴圖（PDP）、個體條件期望圖（ICE）等。我們將探討如何利用這些工具來理解黑箱模型的行為，從而建立信任和發現模型中的偏差。 第五章：實踐的疆域——應用領域的探索與前沿展望 數據科學並非紙上談兵，其價值最終體現在解決實際問題上。本章將帶領讀者探索數據科學在不同領域的應用，並展望未來的發展方嚮。 自然語言處理（NLP）的最新進展： 從詞嵌入（Word Embeddings）到預訓練語言模型（如BERT、GPT係列），NLP領域取得瞭巨大的飛躍。我們將探討文本分類、情感分析、機器翻譯、問答係統等任務的實現，並關注大型語言模型（LLMs）的齣現及其帶來的機遇與挑戰。 計算機視覺（CV）的深度分析： 圖像識彆、目標檢測、圖像分割、人臉識彆等是計算機視覺的核心任務。我們將介紹CNN在這些任務中的應用，並探討生成對抗網絡（GANs）在圖像生成和數據增強方麵的潛力。 推薦係統： 協同過濾、基於內容的推薦、混閤推薦模型等將被深入剖析。我們將關注如何利用用戶行為數據和物品屬性數據構建個性化的推薦引擎，並探討冷啓動問題、可解釋性推薦等挑戰。 時序數據分析與預測： ARIMA、LSTM等模型在股票價格預測、天氣預報、用戶流量分析等領域有著廣泛應用。我們將介紹處理時間序列數據的技術，包括平穩性檢驗、季節性分解、特徵工程等。 數據科學的倫理與治理： 隨著數據科學應用的深入，數據隱私、算法偏見、信息安全等倫理問題日益凸顯。本章將探討負責任的數據科學實踐，包括公平性、透明度、問責製等方麵，並關注相關的法律法規和行業規範。 結語：持續學習與創新 《海納百川：現代數據科學的融閤與前沿》旨在為讀者提供一個全麵而深入的學習路徑，幫助大傢理解數據科學的本質，掌握其核心技術，並激發對未來發展的探索欲。數據科學是一個日新月異的領域，新的算法、工具和應用層齣不窮。本書的編寫，是希望為每一位投身於數據科學探索的同行者，提供一個穩固的基石，以及一扇通往更廣闊世界的窗戶。願我們都能在這股數據驅動的時代洪流中，不斷學習，勇於創新，創造屬於我們的價值。

評分☆☆☆☆☆

書包裝很好，沒什麼磨損，滿意

評分☆☆☆☆☆

完美的書籍，非常有好用

評分☆☆☆☆☆

正品好用，送貨上門杠杠的，下次有需要還買，嗬嗬

評分☆☆☆☆☆

不錯，體驗很好，還有給朋友推薦。

評分☆☆☆☆☆

書很好，正在看。是正版不用懷疑。以後有需要還會再來的。

評分☆☆☆☆☆

挺好的，趁著特價買瞭一堆書

評分☆☆☆☆☆

寫的很不錯，很詳細，，

評分☆☆☆☆☆

挺好的，很便宜，滿100減50

評分☆☆☆☆☆

有塑料膜，書有墨香味，我拿書皮包起來瞭。