●譯者序
致謝
第1章 概述和應用
1.1 引言
1.2 本書為什麼重要
1.3 本書的組織結構
1.4 信息學
1.5 分析統計學
1.5.1 值和方差
1.5.2 樣本和總體檢驗
1.5.3 回歸和估計
1.6 分析算法
1.6.1 k均值和k近鄰聚類
1.6.2 反聚類
1.6.3 馬爾可夫模型
1.7 機器學習
1.7.1 熵
1.7.2 支持向量機和核函數
1.7.3 概率
1.7.4 降維和信息增益
1.7.5 優化和搜索
1.7.6 數據挖掘和知識發現
1.7.7 識別
1.7.8 集成學習
1.8 人工智能
1.8.1 遺傳算法
1.8.2 神經網絡
1.8.3 免疫算法
1.9 一個從頭開始構建分類器的平臺（二分類）
1.10 一個從頭開始構建分類器的平臺（一般情況）
1.10.1 訓練和驗證
1.10.2 測試和部署
1.10.3 比較訓練和測試數據集上的結果
1.11 本章小結
參考文獻
擴展閱讀
第2章 獲取真值
2.1 引言
2.2 預驗證
2.3 根據訓練數據優化設置
2.4 學習如何學習
2.5 從深度學習到深度反學習
2.6 本章小結
參考文獻
第3章 實驗設計
3.1 引言
3.2 數據歸一化
3.2.1 簡單的歸一化
3.2.2 偏差歸一化
3.2.3 歸一化和實驗設計表
3.3 剪枝老化數據的設計
3.4 繫統之繫統
……
第分析設計模式
第5章 靈敏度分析和大型繫統工程
第6章 多面預測性選擇
第7章 建模和模型擬合
第8章 同義詞-反義詞模式和強化-無效化模式
第9章 關於分析的分析
第10章 繫統設計優化
第11章 射幸技術和專家繫統技術
第12章 應用一：機器翻譯、機器人技術和生物科學中的主題及挑戰
第13章 應用二：醫學及醫療信息學、經濟學、商業和金融
第14章 探討、總結和數據的未來
中英文術語對照表

大數據時代，快速分析數據並從中提取有效信息是所有數據科學家必須完成的任務。本書由分析領域的專家撰寫，面向所有對數據科學感興趣的讀者，既是初學者的推薦入門指南，也可幫助不同行業的技術人員擴充工具庫，實現數據分析技能的快速提分析既是混合分析，也是關於分析的分析。本書方法，也講解常規的分析方法和分析繫統，特別是提供了一繫列詳盡的模式和方法，它們可用於任何基於機器學習的數據分析任務。通過學習這些方法，你至少能找到一種更為有效的模式，並且獲得優於傳統分析方法的整體繫統行為。 通過閱讀本書，你將學習以下知識： 背景知識，涉及統計學、算法、機器學習和人工智能等方面，涵蓋回歸、聚類、馬爾可夫模型、熵、支持向量機、降維和神經網絡等概念，並演示了如何構建分別適用於二分類和一般情況的分類器。 真值獲取與真值估算，提出了打破傳統“訓練、驗證和測試”模式的新模式。 實驗設計與設計模式，前等