【簡介】 本書主要分為兩個部分：機器學習理論與實踐分析。內容以Weka為工具，並透過易於理解的方式帶讀者們學習「機器學習」所需的分析方法，同時結合實踐利用案例一步一步說明使用方法，以及工具的掌握，利用無需撰寫程式的方式，讓你以最輕鬆的方式建立機器學習的基礎。 目錄： 第 1 章　Weka的安裝與主要功能 第 2 章　利用Excel與Weka的簡單操作──機器學習與決策樹 第 3 章　檔案形式與屬性類型的轉換 第 4 章　屬性的選擇 第 5 章　分類分析 第 6 章　集群分析 第 7 章　關聯規則分析 第 8 章　時間序列分析 第 9 章 「實踐篇」：使用Weka的各種例題 第 10 章　貝氏網路模型 第 11 章　Weka API 作者介紹 劉妘鑏 福建理工大學交通運輸學院智能科學教研室講師。於2022年取得台灣東華大學資訊工程學系博士學位；2005年取得台灣亞洲大學資訊工程學系碩士學位。在產業界擔任程式設計師與資料庫管理師超過10年。有興趣的研究領域有：大數據、決策分析、區塊鏈，以及主動式資料庫。 著作： 1. 動態網頁設計，五南，2023。 2. 大數據的基本觀念與演算法，全華，2018。 3. 商業資料管理的利器：Access資料庫管理系統，松崗，2009。 4. Access 2003商業資料庫應用，松崗，2009。 【目錄】 第1章 Weka的安裝與主要功能 1.1 何謂Weka 1.2 下載Weka與安裝 1.3 啟動Weka 1.4 Weka的主要功能 第2章 利用Excel與Weka的簡單操作─機器學習與決策樹 2.1 以Excel製作數據，以Weka計算 2.2 以Weka預測 2.3 預測結果的焦點：Kappa統計量（Kappa statistic） 第3章 檔案形式與屬性類型的轉換 3.1 調整檔案編碼為UTF-8 3.2 Weka如何載入CSV檔案 3.3 在ARFF-Viewer中載入CSV文件 3.4 在Weka Explorer中載入CSV文件 3.5 使用Excel中的其他檔案格式 3.6 屬性類型的轉換步驟 3.7 如何將UCI Dataset的副檔名*.data改成*.CSV 第4章 屬性的選擇 4.1 何謂「選擇屬性」 4.2 其他屬性選擇方法 第5章 分類分析 5.1 決策樹（Decision Tree） 5.2 隨機森林（Random Forest） 第6章 集群分析 6.1 K平均法（K-means） 6.2 階層式集群法（Hierarchical Clustering） 6.3 EM法（Expectation Maximization,期望最大化法） 第7章 關聯規則分析 7.1 數據分析中的經典案例 7.2 關聯規則（Association Rule） 第8章 時間序列分析 8.1 時間數列數據的迴歸分析模型 8.2 利用Weka進行的時間序列預測 8.3 Weka提供7種評估指標 第9章 「實踐篇」：使用Weka的各種例題 9.1 將Weka的數據集寫成「CSV格式」 9.2 使用Weka在web上公開的數據集 9.3 使用Weka須知 9.4 各種例題使用Weka 9.5 Fisher的Iris 第10章 貝氏網路模型 10.1 使用數據arff形式的「weather」（數值模型例） 10.2 支持向量機（Support Vector Machine, SVM）中的Kernnel函數 10.3 Weka的Knowledge Flow 第11章 Weka API 11.1 Weka的檔案結構 11.2 Weka重要套件