●第1章排序
1.1研究動因：谷歌問題
1.2研究結果
1.2.1Perron-Frobenius定理
1.2.2PageRank
1.3案例研究：品牌忠誠度
1.4練習
第2章在線學習
2.1研究動因：投資組合選擇
2.2研究結果
2.2.1在線鏡像下降
2.2.2熵設定
2.3案例分析：專家建議
2.4練習
第3章推薦繫統
3.1研究動因：Netflix大賽
3.2研究結果
3.2.1基於近鄰的方法
3.2.2基於模型的方法
3.3案例分析：潛在語義分析
3.4練習
第4章分類
4.1研究動因：信用調查
4.2研究結果
4.2.1Fisher判別規則
4.2.2支持向量機
4.3案例分析：質量控制
4.4練習
第5章聚類
5.1研究動因：DNA測序
5.2研究結果
5.2.1七一均值算法
5.2.2譜聚類
5.3案例分析：主題抽取
5.4練習
第6章線性回歸
6.1研究動因：計量經濟學分析
6.2研究結果
6.2.1最小二乘法
6.2.2嶺回歸
6.3案例分析：資本資產定價
6.4練習
第7章稀疏恢復
7.1研究動因：變量選擇
7.2研究結果
7.2.1Lasso回歸
7.2.2迭代閾值收縮算法
7.3案例分析：壓縮感知
7.4練習
第8章神經網絡
8.1研究動因：神經細胞
8.2研究結果
8.2.1邏輯回歸
8.2.2感知機
8.3案例分析：垃圾郵件過濾
8.4練習
第9章決策樹
9.1研究動因：泰坦尼克號幸存率
9.2研究結果
9.2.1NP接近性
9.2.2自上而下的和自下而上的啟發式算法
9.3案例研究：國際像棋引擎
9.4練習
第10章練習題解
10.1排序
10.2在線學習
10.3推薦繫統
10.4分類
10.5聚類
10.6線性回歸
10.7稀疏恢復
10.8神經網絡
10.9決策樹
參考文獻
索引
英文索引

本書分為10章，其中第1~9章探討了排序、推薦繫統、聚類、線性回歸等內容，每章都以一個具體的實際問題開始，其主要目的是激發對某一特定大數據分析技術的研究。接下來探討其背後的數學原理——包括重要的定義、輔助陳述和得出的結論。案例研究有助於將所學知識應用於跨學科的環境中，包括對逐步任務的描述和有用的提示。每章之後都配有習題，作為自學中不可缺少的一部分，有助於提高對基礎理論的理解。第10章提供了前9章的習題答案，以及Python代碼中的算法描述作為補充材料。本書適合作為大數據分析、應用數學及相關專業的研究生和高年級本科生。