در این کتاب، ابتدا اهمیت الگوریتم‌های یادگیری ماشین بیان شده است. ابزارها و برنامه هایی که از این الگوریتم‌ها استفاده می‌کنند، معرفی شده تا در خواننده این ذهنیت را ایجاد کند که این الگوریتم‌ها امروزه در عمل چگونه استفاده می‌شوند. کتاب‌های بسیار زیادی را در زمینه‌ی یادگیری ماشین خواهید یافت که عموما در مورد ریاضیات بحث می‌کنند. هدف این کتاب تبدیل شدن به پلی از الگوریتم‌های ماتریس وار به برنامه‌های واقعی کاربردی است. با این ذهنیت، فراموش نکنید که تمرکز بیشتر این کتاب بر روی کد نویسی است تا ریاضیات.

سرفصل‌های کتاب Machine Learning in Action:

1)Machine learning basics

2)Classifying with k-Nearest Neighbors

3)Splitting datasets one feature at a time: decision trees

4)Classifying with probability theory: naïve Bayes

5)Logistic regression

6)Support vector machines

7)Improving classification with the AdaBoost meta-algorithm

8)Predicting numeric values: regression

9)Tree-based regression

10)Grouping unlabeled items using k-means clustering

11)Association analysis with the Apriori algorithm

12)Efficiently finding frequent itemsets with FP-growth

13)Using principal component analysis to simplify data

14)Simplifying data with the singular value decomposition

15)Big data and MapReduce