前言

第1章 使用R语言

 R与机器学习

第2章 数据分析

 分析与验证

 什么是数据

 推断数据的类型

 推断数据的含义

 数值摘要表

 均值、中位数、众数

 分位数

 标准差和方差

 可视化分析数据

 列相关的可视化

第3章 分类：垃圾过滤

 非此即彼：二分类

 漫谈条件概率

 试写第一个贝叶斯垃圾分类器

第4章 排序：智能收件箱

 次序未知时该如何排序

 按优先级给邮件排序

 实现一个智能收件箱

第5章 回归模型：预测网页访问量

 回归模型简介

 预测网页流量

 定义相关性

第6章 正则化：文本回归

 数据列之间的非线性关系：超越直线

 避免过拟合的方法

 文本回归

第7章 优化：密码破译

 优化简介

 岭回归

 密码破译优化问题

第8章 PCA：构建股票市场指数

 无监督学习

 主成分分析

第9章 MDS：可视化地研究参议员相似性

 基于相似性聚类

 如何对美国参议员做聚类

第10章 kNN：推荐系统

 k近邻算法

 R语言程序包安装数据

第11章 分析社交图谱

 社交网络分析

 用黑客的方法研究Twitter的社交关系图数据

 分析Twitter社交网络

第12章 模型比较

 SVM：支持向量机

 算法比较

参考文献

机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术。Drew Conway编著的《机器学习(实用案例解析)》比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，而且讨论了一些有生命力的新理论、新方法。

全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。《机器学习(实用案例解析)》讨论的案例涉及分类、回归、聚类、降维、最优化问题等。这些案例包括：垃圾邮件识别、智能收件箱、预测网页访问量、文本回归、密码破译、构建股票市场指数、用投票记录对美国参议员聚类、给用户推荐r语言包、分析社交图谱、给问题找到最佳算法等。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是r编程语言。

《机器学习(实用案例解析)》主要内容：

开发一个朴素贝叶斯分类器，仅仅根据邮件的文本信息来判断邮件是否是垃圾邮件；使用线性回归来预测互联网排名前1000网站的pv；利用文本回归理解图书中词与词之间的关系；通过尝试破译一个简单的密码来学习优化技术；利用无监督学习构建股票市场指数，用子衡量整体市场行情；根据美国参议院的投票情况，从统计学的角度对美国参议员聚类；通过k近邻算法向用户推荐日语言包；利用twitter数据构建一个“你可能感兴趣的人”的推荐系统；模型比较：给问题找到最佳算法。

Drew Conway编著的《机器学习(实用案例解析)》比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，而且讨论了一些有生命力的新理论、新方法。本书为机器学习技术提供了一些非常棒的案例研究。