1. 針對初學人士，對核心概念進行了詳細的解釋。2. 理論和實操並重，采用了真實的案例和數據集進行演示。3. 向讀者展示如何使用開源編程語言（即R語言）將概念投入應用。4. 章末提供有關概念和實際計算的習題，幫助讀者進一步理解。注意：本書作者為新加坡南洋理工大學高級講師Chew Chee Hua（中文名：周志華）先生，與《機器學習》作者、南京大學周志華教授不是同一人。請各位讀者不要混淆。

●第1章介紹和概述1
1.1主要的成功案例和應用1
1.1.1Netflix的12營收目標1
1.1.2在醫院急診部使用有限的信息拯救生命3
1.1.3癌癥診斷與損傷預後5
1.1.4從零開始使用低預算連續贏得20場比賽6
1.1.5殼牌公司深海石油鑽探的預測性資產維護7
1.1.6預測選舉結果8
1.1.7星展銀行預測現金需求和優化調度9
1.1.8新加坡稅務局檢測稅務欺詐10
1.1.9違規和欺詐貸款風險檢測11
1.2適合ADA解決的問題特征12
1.3數據分析、數據科學和人工智能的區別13
1.4analysis和analytics14
1.5組織ADA能力的發展曲線15
1.6規劃、開發和部署ADA18
1.7四大預測模型19
第2章基本概念和原則21
2.1本章目標21
2.2可視化和模型21
2.3監督學習和無監督學習24
2.4模型的可解釋性25
2.5原則1：正確模型不專享26
2.5.1模型和等式28
2.5.2評估預測模型29
2.6原則2：訓練數據和測試數據分離31
2.6.1在訓練-測試拆分前進行分層33
2.6.2有效地執行分層和訓練-測試拆分34
2.6.3訓練集與測試集之間的權衡39
2.7原則3：風險校正模型39
2.7.1多項式插值定理的影響40
2.7.2模型復雜度41
第3章數據探索和摘要47
3.1本章目標47
3.2數據初探和R語言的data.table47
3.2.1data.table的語法48
3.2.2示例：2014年的紐約航班48
3.2.3行篩選51
3.2.4列排序52
3.2.5篩選幾列並進行重命名53
3.2.6進一步的數據探索和問題53
3.3公共用途微觀樣本數據59
3.3.1探索PUMS中的健康保險覆蓋面數據60
3.3.2在R中導入數據和摘要概述61
3.3.3缺失值概述66
3.3.4繪制單一連續變量的圖形摘要——概率密度67
3.3.5繪制單一分類變量的圖形摘要——條形圖71
3.3.6繪制分類變量X和連續變量Y的圖形摘要——箱線圖73
3.3.7繪制連續變量X和連續變量Y的圖形摘要——散點圖75
3.3.8繪制連續變量X和分類變量X的圖形摘要——抖動
散點圖76
3.4結論79
第4章數據結構和可視化83
4.1本章目標83
4.2數據結構的格式83
4.3檢查數據結構85
4.3.1連續數據和分類數據85
4.3.2定類數據與定序數據87
4.4可視化90
4.5結論93
第5章數據清洗和準備95
5.1本章目標95
5.2缺失值95
5.2.1更正不一致的缺失值記錄96
5.2.2NA和NULL98
5.2.3處理（真實存在的）缺失值99
5.3處理分類數據中的NA和錯誤值100
5.4處理連續數據中的NA和錯誤值100
5.5結論102
第6章線性回歸：很好實踐105
6.1本章目標105
6.2相關性105
6.2.1強相關和因果關繫108
6.2.2強相關和直線關繫109
6.2.3弱相關性和無趨勢110
6.3單輸入變量的線性回歸112
6.4多重R方和調整R方115
6.5線性回歸方程和線性回歸模型117
6.6模型診斷圖118
6.7有影響力的異常值119
6.8向模型中增加一個二次項121
6.9多因子的線性回歸123
6.10訓練-測試拆分135
6.11結論137
第7章邏輯回歸：很好實踐140
7.1本章目標140
7.2相對風險和勝算比140
7.3單一連續輸入變邏輯回歸145
7.3.1示例：基於學習時長預測考試結果148
7.3.2邏輯回歸的混淆矩陣152
7.4多輸入變邏輯回歸154
7邏輯回歸159
7.5.1多分類值Y的邏輯函數160
7.5.2示例：影響服務評級的因素161
7.6結論166
第8章分類回歸樹171
8.1本章目標171
8.2預測心髒病發作的模型和要求172
8.3階段1：使用二分法將樹增長到優選值175
8.3.1度量分類變量結點的雜質176
8.3.2CART樹的增長過程179
8.4階段2：用最弱連接剪枝法將樹修剪到最小值180
8.4.1最弱連接剪枝182
8.4.2rpart包中的α和cp185
8.4.3k折交叉驗證和1標準誤差規則185
8.5示例：CART模型在定向信用卡營銷中的運用（Y為分類數據）187
8.6示例：CART模型在汽車燃油效率中的運用（Y為連續數據）198
8.7通過代理項自動處理缺失值205
8.8結論211
8.9rpart包的重要函數和參數總結212
第9章神經網絡219
9.1本章目標219
9.2大腦處理信息過程的建模220
9.3信息的處理、關聯和傳輸221
9.4示例：巧克力口味測試222
9.5通過增加權重訓練神經網絡226
9.5.1反向傳播226
9.5.2彈性反向傳播和權重回溯228
9.6設計神經網絡需要考慮的細節229
9.6.1規範所有輸入變量的取值範圍229
9.6.2網絡復雜度230
9.6.3neuralnet和nnet230
9.7示例：不孕風險231
9.8結論236、
第10章字符串和文本挖掘240
10.1本章目標240
10.2處理字符串240
10.3基本的文本挖掘概念247
10.3.1示例：對期刊標題進行分析的字符串操作249
10.3.2示例：對期刊標題分析的文本挖掘操作252
10.3.3文檔要素矩陣256
10.3.4非索引字257
10.4情緒分析259
10.5結論266
第11章結束感想和後續計劃269
附錄AR和RStudio的安裝271
A.1下載安裝R271
A.2下載安裝RStudio273
A.3在RStudio中將R升級到近期新版本274
附錄B基本的R命令和腳本275
B.1RStudio界面的4個面板275
B.2檢查和設置工作目錄280
B.3將數據輸入RStudio281
B.4R中的對像命名約定284
B.5R中的通用運算符285
B.6R函數285
B.7創建你自己的R函數287
B.8練習R288

本書介紹了人工智能和大數據涉及的核心概念和模型。書中涉及概念包括監督和非監督學習、數據類型、可視化、線性回歸、邏輯回歸、分類回歸樹、神經網絡等。同時，本書理論和實際並重，基於真實的實例和數據集，引入了R語言演示實際計算和操作，為讀者展示解決實際問題的代碼，從而讓讀者掌握在實際生活中解決相關問題的方法。 本書適合想要綜合學習人工智能、大數據和數據科學，尤其是想要依靠這些學科解決實際問題的人學習，也適合作為相關課程的參考教材。