◆PartI　機械学習ワークフローの基礎

◇第1章　機械学習とは何か―長所と課題、データ収集から運用までのステップ、性能の改善
機械学習の仕組みを理解する
データに基づく意思決定
機械学習ワークフロー：データから展開まで
高度な手法を使ってモデルの性能を改善する
まとめ
本章のキーワード

◇第2章　現実世界のデータ―データの取得/整備、可視化
機械学習に取り組むための準備：データの収集
機械学習モデルを構築するためのデータの前処理
データビジュアライゼーションの使用
まとめ
本章のキーワード

◇第3章　モデルの構築と予測
基本的な機械学習モデルの構築
分類：カテゴリを予測する
回帰：数値を予測する
まとめ
本章のキーワード

◇第4章　モデルの評価と最適化
モデルの汎化：新しいデータでの予測性能の評価
分類モデルの評価
回帰モデルの評価
チューニングパラメータによるモデルの最適化
まとめ
本章のキーワード

◇第5章　特徴エンジニアリングの基礎
特徴エンジニアリングはなぜ有効なのか
特徴エンジニアリングの基本的なプロセス
特徴選択
まとめ
本章のキーワード

◆PartII　機械学習ワークフローの応用

◇第6章　NYCタクシーデータのケーススタディ
New York City Taxi Trips/Faresデータ
モデルの構築
まとめ
本章のキーワード

◇第7章　高度な特徴エンジニアリング
高度なテキスト特徴量
画像特徴量
時系列特徴量
まとめ
本章のキーワード

◇第8章　高度な自然言語処理の例―映画レビューの感情分析
データとユースケースを調べる
基本的なNLP特徴量の抽出と最初のモデルの構築
高度なアルゴリズムとモデルを展開するときの注意点
まとめ
本章のキーワード

◇第9章　機械学習ワークフローのスケーリング
スケールアップする前に
機械学習モデル構築のスケーリング
予測値のスケーリング
まとめ
本章のキーワード

◇第10章　デジタルディスプレイ広告のケーススタディ
ディスプレイ広告
デジタル広告データ
特徴エンジニアリングとモデル構築戦略
データのサイズと形状
特異値分解（SVD）
リソースの推測と最適化
モデルの構築
実際の環境に導入するときの注意点
まとめ
本章のキーワード
本書のまとめ

◇付録　一般的な機械学習アルゴリズム一覧