兰兹编著的《机器学习与R语言》共12章：第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3～9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法一一神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案例和详细的分析步骤，例如乳腺癌的判断、垃圾短信的过滤、贷款违约的预测、毒蘑菇的判别、医疗费用的预测、建筑用混凝土强度的预测、光学字符的识别、超市购物篮关联分析以及市场细分等；第10章介绍模型性能评价的原理和方法，第11章给出提高模型性能的几种常用方法；第12章讨论用R进行机器学习时可能遇到的一些高级专题，如特殊形式的数据、大数据集的处理、并行计算和CPU计算等技术。

随着大数据的概念变得越来越流行，对数据的探索、分析和预测成为大数据分析领域的基本技能之一。作为探索和分析数据的基本理论和工具，机器学习和数据挖掘成为时下炙手可热的技术。R作为功能强大并且免费的数据分析工具，在数据分析领域获得了越来越多用户的青睐。

兰兹编著的《机器学习与R语言》通过丰富的实际案例来探索如何应用R来进行现实世界问题的机器学习，如何从数据中获取可以付诸行动的洞察力。本书案例清晰而实用，讲解循序渐进，是一本用R进行机器学习的实用指南，既适用于机器学习的初学者，也适用于具有一定经验的老手，本书将帮助他们回答有关R的所有问题。

通过阅读本书，你将学到：

用R准备用于机器学习的数据

用R进行数据探索和数据可视化

用k近邻方法进行数据分类

应用朴素贝叶斯方法进行数据分类

应用决策树、规则和支持向量机进行预测

用线性回归预测数值型数据

用神经网络对数据建模

应用购物篮分析的关联规则找出数据中的模式

通过对数据聚类进行市场细分

推荐序

译者序

前言

致谢

关于技术评审人

第1章　机器学习简介

 1.1　机器学习的起源

 1.2　机器学习的使用与滥用

 1.3　机器如何学习

1.3.1　抽象化和知识表达

1.3.2　一般化

1.3.3　评估学习的成功性

 1.4　将机器学习应用于数据中的步骤

 1.5　选择机器学习算法

1.5.1　考虑输入的数据

1.5.2　考虑机器学习算法的类型

1.5.3　为数据匹配合适的算法

 1.6　使用R进行机器学习

 1.7　总结

第2章　数据的管理和理解

 2.1　R数据结构

 2.2　向量

 2.3　因子

2.3.1　列表

2.3.2　数据框

2.3.3　矩阵和数组

 2.4　用R管理数据

2.4.1　保存和加载R数据结构

2.4.2　用CSV文件导入和保存数据

2.4.3　从SQL数据库导入数据

 2.5　探索和理解数据

2.5.1　探索数据的结构

2.5.2　探索数值型变量

2.5.3　探索分类变量

2.5.4　探索变量之间的关系

 2.6　总结

第3章　懒惰学习——使用近邻分类

 3.1　理解使用近邻进行分类

3.1.1　kNN算法

3.1.2　为什么kNN算法是懒惰的

 3.2　用kNN算法诊断乳腺癌

3.2.1　第1步——收集数据

3.2.2　第2步——探索和准备数据

3.2.3　第3步——基于数据训练模型

3.2.4　第4步——评估模型的性能

3.2.5　第5步——提高模型的性能

 3.3　总结

第4章　概率学习——朴素贝叶斯分类

第5章　分而治之——应用决策树和规则进行分类

第6章　预测数值型数据——回归方法

第7章　黑箱方法——神经网络和支持向量机

第8章　探寻模式——基于关联规则的购物篮分析

第9章　寻找数据的分组——k均值聚类

第10章　模型性能的评价

第11章　提高模型的性能

第12章　其他机器学习主题