本书向企业高管和学生介绍了在机器学习中如何使用工具，不需要使用微积分、矩阵或向量代数就可以清楚、简洁地解释目前*流行的算法。本书的重点是业务应用程序，并提供了许多案例，比如评估一个国家进行靠前投资的风险、预测房地产的价值，以及可以细致到将零售贷款分为可接受或不可接受模式。书中示例的数据、工作表和Python代码都在作者的网站上，本书同时还提供了一套完整的幻灯片，供教师使用，教师可自行下载使用。

作者简介
译者和审校者简介
译者序
前言
章引言/1
1.1关于本书及相关材料/4
1.2机器学习分类/5
1.3验证和测试/7
1.4数据清洗/14
1.5贝叶斯定理/17
第2章无监督学习/23
2.1特征缩放/24
2.2k-均值算法/25
2.3设置k值/28
2.4维度灾难/31
2.5国家风险/32
2.6其他聚类方法/39
2.7主成分分析/41
第3章监督学习：线性回归/49
3.1线性回归：单特征/50
3.2线性回归：多特征/52
3.3分类特征/54
3.4正则化/55
3.5岭回归/56
3.6套索回归/61
3.7弹性网络回归/64
3.8房价数据模型结果/65
3.9逻辑回归/71
3.10逻辑回归的准确性/72
3.11信贷决策中的运用/74
3.12k-近邻算法/80
第4章监督学习：决策树/84
4.1决策树的本质/85
4.2信息增益测度/86
4.3信息决策应用/88
4.4朴素贝叶斯分类器/94
4.5连续目标变量/99
4.6集成学习/102
第5章监督学习：支持向量机/108
5.1线性SVM分类/108
5.2关于软间隔的修改/115
5.3非线性分离/117
5.4关于连续变量的预测/119
第6章监督学习：神经网络/125
6.1单层神经网络/125
6.2多层神经网络/129
6.3梯度下降算法/131
6.4梯度下降算法的变形/136
6.5迭代终止规则/138
6.6应用于衍生产品/139
6.7卷积神经网络/140
6.8递归神经网络/142
附录6A反向传播算法/146
第7章强化学习/148
7.1多臂老虎机问题/149
7.2环境变化/156
7.3Nim游戏博弈/158
7.4时序差分学习/162
7.5深度Q学习/164
7.6应用/165
第8章社会问题/170
8.1数据隐私/171
8.2偏见/172
8.3道德伦理/174
8.4透明度/176
8.5对抗机器学习/177
8.6法律问题/178
8.7人类与机器/179
部分习题答案/182
术语表/198