本书通过Excel逐步介绍了常用的机器学习算法和数据挖掘技术的原理。许多机器学习任务的目的是找到数据中的隐藏模式。Excel能够清楚地展示机器学习建模过程的每一步及中间结果，让你不仅知其然，还知其所以然。第1章解释用Excel学习机器学习和数据挖掘的益处。第2～12章分别介绍线性回归、k均值聚类、线性判别分析、交叉验证和ROC曲线分析、logistic回归、k最近邻、朴素贝叶斯分类、决策树、关联分析、人工神经网络，以及文本挖掘。第13章总结全书内容，并为你指明继续学习的方向。
本书适合所有机器学习初学者阅读。此外，数据挖掘新手、视觉型学习者、教育工作者、想理解流行数据挖掘技术背后的数学原理的人，以及想提高Excel技能的人都可以通过阅读本书受益。

周红，博士，美国康涅狄格州圣约瑟夫大学计算机科学和数学教授，也曾在硅谷从事软件开发工作。作为经验丰富的教育工作者，他意识到利用Excel分步讲解机器学习方法和数据挖掘技巧的独特优势，并在实际教学过程中成功地引入Excel作为演示工具。这种教学方法颇受学生欢迎。

第1章 Excel和数据挖掘
1.1 为什么选择Excel
1.2 Excel预备技巧
1.2.1 公式
1.2.2 自动填充或复制
1.2.3 绝对引用
1.2.4 选择性粘贴和值粘贴
1.2.5 IF函数
1.3 复习要点
第2章 线性回归
2.1 一般性理解
2.2 通过Excel学习线性回归
2.3 通过Excel学习多元线性回归
2.4 复习要点
第3章 k均值聚类
3.1 一般性理解
3.2 通过Excel学习k均值聚类
3.3 复习要点
第4章 线性判别分析
4.1 一般性理解
4.2 规划求解
4.3 通过Excel学习线性判别分析
4.4 复习要点
第5章 交叉验证和ROC曲线分析
5.1 对交叉验证的一般性理解
5.2 通过Excel学习交叉验证
5.3 对ROC曲线分析的一般性理解
5.4 通过Excel学习ROC曲线分析
5.5 复习要点
第6章 logistic回归
6.1 一般性理解
6.2 通过Excel学习logistic回归
6.3 复习要点
第7章 k最近邻
7.1 一般性理解
7.2 通过Excel学习k最近邻
7.2.1 实验
7.2.2 实验
7.2.3 实验
7.2.4 实验
7.3 复习要点
第8章 朴素贝叶斯分类
8.1 一般性理解
8.2 通过Excel学习朴素贝叶斯分类
8.2.1 练习
8.2.2 练习
8.3 复习要点
第9章 决策树
9.1 一般性理解
9.2 通过Excel学习决策树
9.2.1 开始学习
9.2.2 更好的方法
9.2.3 应用模型
9.3 复习要点
第10章 关联分析
10.1 一般性理解
10.2 通过Excel学习关联分析
10.3 复习要点
第11章 人工神经网络
11.1 一般性理解
11.2 通过Excel学习人工神经网络
11.2.1 实验
11.2.2 实验
11.3 复习要点
第12章 文本挖掘
12.1 一般性理解
12.2 通过Excel学习文本挖掘
12.3 复习要点
第13章 后记