「本書提供許多絕佳的機器學習實用案例。有別於工具書或理論證明，本書著重於實際問題處理，因此具備程式設計背景及對機器學習有興趣的讀者們均可輕鬆入門。」
- Max Shron, OkCupid

如果你是平時喜歡上網蒐集各種資料的程式設計師，想尋找並學習資料分析的方法與工具，本書將會是您了解機器學習最好的起點。在Machine Learning領域中，包含各種分析問題的工具與方法，可以讓我們很方便地架構出一套自動分析資料系統，使電腦可以自動分析。不過這些方法的背後，通常都蘊含著艱澀、難懂的數學理論，因而提高了學習門檻。有鑑於此，本書作者Drew Conway和John Myles準備了許多實用案例。在本書中，他們將以生動活潑的方式，使用案例導向方式，透過生活實例，帶領我們一起學習這些Machine Learning工具和統計工具的實際應用。經由這些過程學習機器學習領域的核心與價值，而非傳統數學導向的介紹方式。

本書採用實例導向、問題導向的介紹方式，在每一個章節中，透過實際問題，介紹機器學習典型問題與解決方法。其中包含：分類問題、預測問題、最佳化問題、推薦系統建置問題...等，在書中都會一一介紹。本書所有程式均以R語言撰寫，於每個章節中將學到：如何以R語言分析資料，並撰寫簡易機器學習演算法。《機器學習駭客秘笈》本書，是專為機器學習領域的初學者所寫的，無論是商業、政府機關或學術界...等都適用。

在本書中，您將學到：
● 建立單純貝氏分類器(Naive Bayesian Classifier)對電子郵件內容進行垃圾信件判別
● 以線性回歸，預測網站的瀏覽人次
● 以最佳化技術破解簡易字母密碼
● 運用記名投票紀錄，以統計方式對美國參議員進行分類
● 以推特社群資料建立「潛在關注對象」推薦系統

Drew Conway 為美國紐約大學政治學博士候選人。其研究領域以數學與統計工具，分析國際關係、國際衝突與恐怖主義。擁有多年擔任美國情報與國防體系分析師的工作經驗

John Myles White 為美國普林斯頓大學心理學博士生。研究主題為「人類決策過程」的理論與實驗。同時也是諸多R語言套件之主要維護者，包含ProjectTemplate和log4r等熱門套件

前言
chapter 01 使用 R 語言
chapter 02 資料探索
chapter 03 文本分類：垃圾郵件判斷
chapter 04 項目排序：優先收件匣
chapter 05 回歸分析：預測網頁瀏覽人次
chapter 06 正則化：文本回歸
chapter 07 最佳化：破解密碼
chapter 08 PCA：建立股價指數
chapter 09 MDS：視覺化呈現美國參議員相似度
chapter 10 kNN：推薦系統
chapter 11 分析社群關係圖
chapter 12 模型比較
Works Cited
索引