技術現在允許我們捕獲和存儲大量的數據。在這些數據中發現模式、趨勢和異常，并用簡單的定量模型總結它們，是信息時代將數據轉化為信息和將信息轉化為知識的巨大挑戰之一。

　　數據挖掘和機器學習已經取得了驚人的進展。統計學、機器學習、信息論和計算的綜合創造了一門堅實的科學，具有堅實的數學基礎和非常強大的工具。Witten和Frank在本書和關鍵算法的伴隨實現中展示了許多這樣的進展。因此，這是綜合數據挖掘、數據分析、信息理論和機器學習的一個里程碑。如果你在過去的十年里一直沒有關注這個領域，這是趕上這個令人興奮的進步的一個好方法。如果有，那么Witten和Frank的演示以及配套的開源工作臺（稱為Weka）將是工具箱的有用補充。

　　他們提出了從數據中自動提取模型，然后驗證這些模型的基本理論。這本書在解釋各種模型（決策樹、關聯規則、線性模型、聚類、貝葉斯網絡、神經網絡）以及如何在實踐中應用這些模型方面做得很好。它們描述了如何安全地擦洗數據集、如何構建模型和如何評估模型的預測質量。通過一個網站。這個Weka工作臺有一個圖形用戶界面，可以引導您完成數據挖掘任務，并且具有優秀的數據可視化工具，可以幫助您理解模型。這是一個偉大的伴侶的文本和一個有用的和流行的工具，在其本身的權利。

?

　　這本書以一種非常容易理解的形式呈現了這一新學科：既作為教材，培訓下一代實踐者和研究人員，又作為向像我這樣的終身學習者提供信息的教材。威頓和弗蘭克熱衷于簡單而優雅的解決方案。他們以這種心態對待每個主題，將所有的概念都放在具體的例子中，并敦促讀者首先考慮簡單的技術，然后如果簡單的技術證明是不夠的，則向更復雜的技術發展。

　　如果你對數據庫感興趣，并且一直沒有關注機器學習領域，這本書是趕上這個令人興奮的進展的很好的方法。如果您有需要分析和理解的數據，那么本書和相關的Weka工具包是一個很好的開始方式。

　　機器學習是從數據中挖掘知識的新興技術，許多人開始重視這項技術。我們不想賣得太多。我們所知道的那種機器學習不是關于大問題：自主機器人仆人的未來主義視野，意識的哲學難題，自由意志的形而上學問題，智力從何而來的進化或神學問題，語言學辯論。超過語言學習，兒童發展的心理學理論，或智力是什么，以及它是如何工作的認知解釋。對我們來說，它更平淡無奇：機器學習涉及從數據推斷結構的算法以及驗證該結構的方法。這些算法并不深奧和復雜，但它們也不是完全明顯和微不足道的。

　　展望未來，面臨的主要挑戰是應用程序。機會比比皆是。只要有數據，就可以從中學習到東西。每當有太多的數據讓人們無法仔細研究自己時，學習的機制就必須是自動的。但是靈感肯定不是自動的！應用程序不會來自計算機程序，也不會來自機器

　　學習專家，而不是從數據本身，而是從處理數據的人員以及由此產生的問題中學習。這就是為什么我們寫了這本書，以及第二部分中描述的Weka系統——授權那些不是機器學習專家的人將這些技術應用于日常生活中出現的問題。這些想法很簡單。算法在這里。剩下的就取決于你了！

　　當然，這項技術的發展當然還沒有完成。機器學習是一個熱門的研究課題，不斷涌現出新的思想和技術。為了展現研究的范圍和各種前沿，我們結束了第一部分，查看了數據挖掘領域中的一些熱門領域。