本書は、「機械学習はサイエンスではなくアートである」という理念のもと、単なる分析手法の使い方を超えた、実務で役立つ知識を丁寧に伝える。機械学習を効果的に活用するための細やかなデータ加工やモデルの調整、例えば、データ分析において頻繁に直面する「過学習」や「不均衡なデータ」への対処法、ハイパーパラメータのチューニングなど、現場の経験に基づく知見をハンズオン形式で伝授する。本書では機械学習の最も重要な概念に焦点を当て、それぞれの手法をＲ言語によって実装する。κ近傍法から始まり、回帰、分類、ランダムフォレスト、ニューラルネットワーク、時系列解析など、幅広い手法を段階的に紹介。数学的な内容はできるだけ直感的に、グラフや図を通じた視覚的な説明に留められており、数式に不安のある読者でも無理なく読み進めることができる。また、機械学習の各手法をｑｕｉｃｋかつｅａｓｙに実装するために原著者が開発したｑｅＭＬパッケージを活用し、最小限のコードで学習・予測・評価・可視化できる点も魅力。実務での応用を見据え、初学者であっても機械学習を本質から理解することができる。分析の落とし穴を回避し、予測を成果に変える実践的ガイドである。
もくじ情報：１　導入および近傍法ベースの手法（回帰モデル；分類モデル；バイアス、バリアンス、過学習、交差検証法；特徴量が多いときの対処法）；２　決定木ベースの分析手法（κ近傍法の一歩先：決定木；決定木モデルの調整；ハイパーパラメータの良い組み合わせを見つける）；３　線形モデル―線形関係に基づく手法（パラメトリックモデル；縮小推定と正則化）；４　データを線や平面で分離する手法（境界線を用いたアプローチ：サポートベクトルマシン；強化された線形モデル：ニューラルネットワーク）；５　応用（画像分類；時系列データとテキストデータ）；付録

マトロフ，ノーマン(マトロフ，ノーマン)
博士は、カリフォルニア大学デービス校（ＵＣ　Ｄａｖｉｓ）の計算機科学の教授であり、以前は同大学の統計学の教授を務めていた。ロサンゼルスで生まれ、イーストロサンゼルスおよびサンガブリエル・バレーで育ち、カリフォルニア大学ロサンゼルス校で数学のＰｈＤを取得。現在の研究分野は、機械学習、公正なＡＩ、並列処理、統計計算、そして欠測データを扱うための統計的方法論である。国連のもとで設立された、データベースソフトウェアのセキュリティに関する国際委員会であるＩＦＩＰ　Ｗｏｒｋｉｎｇ　Ｇｒｏｕｐ　１１．３の任命メンバーを務めたことがある。また、ＵＣ　Ｄａｖｉｓ統計学部の創設メンバーであり、計算機科学部の設立にも携わった。ＵＣ　Ｄａｖｉｓにおける全学優秀教育賞および優秀公共奉仕賞を受賞している。Ｒ　Ｊｏｕｒｎａｌの編集長、および、Ｊｏｕｒｎａｌ　ｏｆ　Ｓｔａｔｉｓｔｉｃａｌ　Ｓｏｆｔｗａｒｅの編集委員を務め、複数の教科書を刊行してきた。Ｒを用いた著書Ｓｔａｔｉｓｔｉｃａｌ　Ｒｅｇｒｅｓｓｉｏｎ　ａｎｄ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ：　Ｆｒｏｍ　Ｌｉｎｅａｒ　Ｍｏｄｅｌｓ　ｔｏ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇで、２０１７年にＺｉｅｇｅｌ賞を受賞した