译者序

前言

致谢

第1章 什么是机器学习

 1.1 机器学习的历史

1.1.1 阿兰·图灵

1.1.2 亚瑟·塞缪尔

1.1.3 汤姆 M.米切尔

1.1.4 总结定义

 1.2 机器学习的算法类型

1.2.1 监督学习

1.2.2 无监督学习

 1.3 人的作用

 1.4 机器学习的用途

1.4.1 软件

1.4.2 股票交易

1.4.3 机器人学

1.4.4 医学和医疗

1.4.5 广告业

1.4.6 零售和电子商务

1.4.7 游戏分析

1.4.8 物联网

 1.5 机器学习语言

1.5.1 Python

1.5.2 R

1.5.3 Matlab

1.5.4 Scala

1.5.5 Clojure

1.5.6 Ruby

 1.6 本书使用的软件

1.6.1 检查Java版本

1.6.2 Weka 工具包

1.6.3 Mahout

1.6.4 Spring XD

1.6.5 Hadoop

1.6.6 使用集成开发环境

 1.7 数据库

1.7.1 加州大学欧文分校机器学习库

1.7.2 Infochimps

1.7.3 Kaggle

 1.8 总结

第2章 筹备机器学习

 2.1 机器学习周期

 ……

第3章 决策树

第4章 贝叶斯网络

第5章 人工神经网络

第6章 关联规则学习

第7章 支持向量机

第8章 聚类

第9章 实时机器学习—使用Spring XD框架

第10章 批处理系统的机器学习

第11章 Apache Spark

第12章 基于R语言的机器学习

附录A Spring XD快速入门

附录B Hadoop 1.x快速入门

附录C 常用UNIX命令

附录D 进一步阅读

詹森·贝尔著的《机器学习(实用技术指南)/数据分析与决策技术丛书》专注于各种机器学习方法的使用及其工程实践，旨在帮助你掌握机器学习实践技能，不涉及过多的数学理论。书中以实例方式讲述通用的机器学习概念，你将学到机器学习的常用策略、机器学习的不同方法，以及如何在实时和批处理环境下应用它们。

全书共12章，第1章和第2章介绍机器学习和数据挖掘的定义、实践中所使用的相关工具及其产生的效果；第3章到第8章聚焦于不用类型的机器学习理论，包括决策树、贝叶斯网络、神经网络模型、关联规则学习、支持向量机、聚类等，详细展示这些方法的使用，并提供代码示例；第9章和第10章是实例攻略，将对比实时和批处理两种环境下的方法，并且考察如何将它们整合在一个大的算法框架中；第11章和第12章将介绍Apache Spark和R语言。

如果你想研究机器学习，但又害怕数学，那么詹森·贝尔著的《机器学习(实用技术指南)/数据分析与决策技术丛书》是你的终极指南。本书通过大量的实例和代码详细讨论机器学习的实践方法，不涉及过多的数学理论。通过本书，你将学习各种算法、数据准备技术、树和网络，并熟悉从数据中获得更多知识的工具。你会理解这些工具是如何工作的，如何使用的，以及如何使它变得有价值。