机器学习的核心是将数据转换为可操作的知识。R提供了一组强大的机器学习方法，可以帮助你快速轻松地发现数据背后隐藏的信息。
本书通过清晰和实用的案例来探索机器学习在现实世界中的应用。无论你是经验丰富的R用户还是R初学者，都会从本书中学到如何发现关键信息、做出新的预测并进行可视化。
本书的第3版包含更新和更好的库、有关机器学习中的道德和偏差问题的建议，以及深度学习的简介。

布雷特·兰茨（Brett Lantz）在应用创新的数据方法来理解人类的行为方面有10余年经验。他最初是一名社会学家，在学习一个青少年社交网站分布的大型数据库时，他就开始陶醉于机器学习。从那时起，他致力于移动电话、医疗账单数据和公益活动等交叉学科的研究，并维护dataspelunking.com这个网站，该网站致力于分享有关探寻数据中所蕴含的洞察的知识。

译者序
前言
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
1.2.1 机器学习的成功应用
1.2.2 机器学习的限制
1.2.3 机器学习的伦理方面
1.3 机器如何学习
1.3.1 数据存储
1.3.2 抽象化
1.3.3 一般化
1.3.4 评估
1.4 实践中的机器学习
1.4.1 输入数据的类型
1.4.2 机器学习算法的类型
1.4.3 为输入数据匹配算法
1.5 使用R进行机器学习
1.5.1 安装R添加包
1.5.2 载入和卸载R添加包
1.5.3 安装RStudio
1.6 总结
第2章 管理和理解数据
2.1 R数据结构
2.1.1 向量
2.1.2 因子
2.1.3 列表
2.1.4 数据框
2.1.5 矩阵和数组
2.2 用R管理数据
2.2.1 保存、载入和移除R数据结构
2.2.2 从CSV文件导入数据和将数据保存为CSV文件
2.3 探索和理解数据
2.3.1 探索数据的结构
2.3.2 探索数值变量
2.3.3 探索分类变量
2.3.4 探索变量之间的关系
2.4 总结
第3章 懒惰学习——使用近邻分类
3.1 理解近邻分类
3.1.1 k近邻算法
3.1.2 为什么k-NN算法是懒惰的
3.2 例子——用k-NN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 模型性能的评估
第11章 提高模型的性能
第12章 其他机器学习主题