第1章 什么是机器学习 1
明晰机器学习 2
机器学习概述 2
机器学习流行的“原因” 4
将机器学习用于商业的方法 5
消除对机器学习的误解 9
机器学习通过数据进行判断 9
机器学习是“系统” 11
机器自己会变聪明吗 12
必须决定“特征向量” 12
开启机器学习之旅 14
机器学习专用工具 14
无须编程就可以使用的Azure ML 15
即使如此，依然想编程 17
通过判断目标来选择分类器 17
第2章 收集数据 19
使用公司内部数据 20
日志文件等历史数据 20
非时间类型数据 22
使用公开数据 22
DATA.GO.JP 22
DATA.GOV 23
Twitter 23
GitHub 35
第3章 通过Azure ML创建机器学习模型 39
AzureML的基本操作 40
注册Azure ML Studio 40
在工作区进行操作 41
机器学习的方法 43
在Azure ML中进行机器学习的流程 43
创建机器学习模型时Experiment的编辑界面 45
机器学习模型的构成和种类 47
学习逻辑 47
计算逻辑 48
学习组件的种类 48
第4章 使用回归分析预测数据 53
什么是回归分析 54
本模拟所实现目标 54
本模拟所建模型 55
上传用于分析的数据集 57
下载CSV文件样本 57
将CSV文件作为数据集进行上传保存 59
新建Experiment 62
添加和调整所要分析的数据集对象 64
添加数据集 65
将范围缩小至使用列 70
修复受损数据 75
分离学习用数据和评价用数据 80
构建学习逻辑 83
构成回归分析的组件 83
使用已训练模型预测评价用数据 87
使用评分模型进行数据预测 88
确认预测值 91
第5章 尝试使用已建回归分析模型 95
使用已训练模型进行计算 96
上传用于计算的数据集对象 96
在评分模型右上方输入数据即可得出结果 97
保存已训练模型，使其在其他Experiment中也可以使用 99
保存已训练模型 100
使用已训练模型进行预测 102
新建用于预测的Experiment 102
创建可进行数据预测的机器学习模型 103
观察运行结果 105
以CSV形式输出 106
数据转换组件 107
第6章 提高预测精度 111
提高预测精度的方法 112
确认目前的预测精度 113
使用评估模型对分析结果进行评价 113
确认评价结果 115
更改参数提高精确度 117
更改LirearRegression的参数 117
优化学习组件 119
可用于回归分析的学习组件种类 119
更改为贝叶斯线性回归 120
使用有限的学习数据进行检验 123
使用“Cross Validate Model”组件 125
确认“Cross Validate Model”的评价结果 126
第7章 通过统计分类进行判断 129
什么是统计分类 130
本模拟所实现目标 130
本模拟所建模型 131
用统计分类创建分类机器学习模型 132
新建数据集 132
新建Experiment 134
创建数据集 134
构建学习逻辑 137
预测和评价 139
确认和反思学习结果 141
确认使用评价用数据得出的结果 141
评价统计分类的学习结果 142
使用其他统计分类学习组件 146
第8章 用聚类方法判别相似数据 151
什么是聚类 152
本模拟所实现目标 152
本模拟所建模型 154
创建可通过聚类分析分组的机器学习模型 156
新建数据集 156
新建Experiment 157
添加数据集 158
构建学习逻辑 161
确认分组结果 164
将用于评价的数据加入到已训练的学习模型中 167
第9章 活用实验结果 173
WebAPI化 174
数据可视化 178
第10章 让机器越来越聪明 179
进行模型的二次学习 180
用Web API更新公开的分类器（模型更新） 187
附录使用Azure ML的方法 201
创建环境 202
创建Microsoft账户 202
激活订阅 203
登录Azure 208
云优化您的业务 208
创建工作区 210
访问Azure ML Studio 211
关于收费 213
免费使用 214