Другие книги предлагают освоить какой-то язык программирования на примерах. Обучение с ними пойдёт намного продуктивнее. Проблема в том, что не все читатели находят мотивацию работать над примерами. Авторы предлагают прочитать и разобраться в большом объёме кода. К сожалению, если этот код только демонстрирует некий принцип и не несёт никакой практической пользы, он будет мало интересен читателю. Современные языки общего назначения сложны. Это значит, что прежде чем перейти к примерам из реальной жизни, вам понадобиться узнать о языке многое. Получается замкнутый круг: примеры неинтересны, потому что бесполезны, но полезные примеры ещё слишком сложны для понимания.
Эта книга предлагает другой подход. Она начинается, как это принято, с общей теории о том, как устроен и работает компьютер. При этом внимание уделяется причинам тех или иных технических решений прошлых лет, которые определили основные функции современного компьютера. Знание этих причин поможет вам лучше запомнить материал и понять предмет.
Общие знания о компьютерной технике окажутся полезны, когда вы начнёте программиро- вать на конкретном языке. Вы обязательно столкнётесь с проблемами. Например, программа работает слишком медленно или постоянно завершается с ошибкой. Знание устройства компьютера поможет вам понять причины такого поведения.

Изучение датамайнинга на примерах и упражнениях в этой книге позволит вам заглянуть за кулисы сложных методов и научиться эффективно работать с данными. По мнению автора, постигать датамайнинг и модели анализа данных лучше всего на практике, выполняя действия одно за другим. В отличие от большинства специализированных инструментов, которые работают по принципу «черного ящика», Excel позволяет просматривать промежуточные результаты в процессе применения метода и досконально понимать происходящее.

Техники датамайнинга подразделяются на методы обучения с учителем (supervised) и без учителя (unsupervised). Методы обучения с учителем предполагают наличие обучающего набора данных (training dataset) для, собственно, обучения прикладных программ или алгоритмов (такие программы и алгоритмы часто именуют машинами (machine)). Эти алгоритмы обучаются до оптимального состояния, что приводит к образованию так называемой модели (model). Именно поэтому процесс обучения часто называют моделированием. Методы датамайнинга также можно подразделить на параметрические (parametric) и непараметрические (nonparametric). С точки зрения параметрических методов модель представляет собой всего лишь набор параметров, или правил, выявленных в процессе обучения, которые предположительно идеально подходят для работы с обучающим набором. Непараметрические методы не приводят к образованию наборов параметров. Вместо этого они динамически оценивают входящие данные на основе существующего набора данных.

Издание предназначено всем желающим освоить основные методы машинного обучения. Для чтения потребуются базовые навыки работы с Excel.