本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。

数据挖掘与机器学习领域的“百科全书”， 经典教材升级版

计算机\人工智能

本书是数据挖掘和数据科学课程教学的很好的辅助材料，既涵盖了数据挖掘领域的基本内容，又涵盖了某些高级知识，解释了数据科学方面的数学基础和算法，并在每章结尾给出了很多练习题，同时也注明了很多值得一读的拓展内容。
—— Gregory Piatetsky-Shapiro，ACM SIGKDD创始人
世界级专家编写的数据挖掘领域的“百科全书”，从基本统计学知识到基本方法（聚类、分类、频繁项集），再到高级方法（SVD、 SVM、核方法、谱图理论、深度学习），内容丰富，涉及面广。对于每一个概念，书中都细致地平衡了直觉知识、算术例子以及严谨的数学细节。本书既可以作为教材，也可以作为参考书。
—— Christos Faloutsos，卡耐基梅隆大学教授，ACM SIGKDD创新奖得主

数据挖掘和机器学习中的基本算法是数据科学的基础，这些算法利用自动化方法分析各应用场合中各种数据的模式和模型，从科研到商业分析等均有涉及。本书奠定了数据分析、模式挖掘、聚类、分类和回归的基础，重点介绍相关算法和基本的代数、几何、概率概念。本书新增了包括神经网络和深度学习在内的回归方法。

本书特色
既涵盖核心方法，又包含深度学习等前沿研究内容；
提供开源实现的算法方法；
章节简短、独立，并附有经过课堂测试的例子和练习题。