机器学习是一门让人望而生畏的学科，但是只要你掌握了基本原理，这种恐惧就不复存在了。如果你有基本的编程概念，那么斯科特著的这本《基于R语言的机器学习》可以帮助你建立扎实的机器学习的基础。本书使用R语言，首先介绍回归建模，继而介绍神经网络和基于树的方法等更加高级的内容。
最后，我们将深入机器学习的前沿，了解R语言的caret包。一旦熟悉回归与分类模型之间的区别等内容以后，你就可以解决一系列机器学习的问题了。本书作者提供了很多例子帮助你理解机器学习的知识。

斯科特（Scott V.Burger），是一名高级数据科学家，居住在美国西雅图。他拥有天体物理学领域的编程经验，并将这些经验用于各种不同的方面，例如商业智能或数据优化等。Scott拥有关于如何用简洁的方式向公众解释科学概念的丰富经验，他利用这些专业知识在本书中向普通R语言用户揭示了机器学习的世界。

前言
第1章 什么是模型？
算法与模型有什么不同？
术语说明
模型的局限性
建模中的统计与计算
数据训练
交叉验证
为什么使用R语言？
优点
缺点
小结
第2章 监督学习与无监督机器学习
监督模型
回归
训练数据与测试数据
分类
混合方法
无监督学习
无监督聚类方法
小结
第3章 R语言中的采样统计和模型训练
偏差
R语言中的采样
训练与测试
交叉验证
小结
第4章 全面解析回归
线性回归
多项式回归
拟合数据的优点——过度拟合的风险
逻辑回归
小结
第5章 全面解析神经网络
单层神经网络
用R语言建立一个简单的神经网络
多层神经网络
回归神经网络
神经网络分类
使用caret的神经网络
小结
第6章 基于树的方法
简单的树模型
决定树的分割方式
决策树的优点和缺点
条件推理树
随机森林
小结
第7章 其他高级方法
朴素贝叶斯分类
主成分分析
支持向量机
k最近邻算法
小结
第8章 使用caret包实现机器学习
泰坦尼克号数据集
使用caret
小结
附录A caret机器学习模型大全