 |
-- 會員 / 註冊 --
|
 |
|
|
|
實用機器學習 ( 簡體 字) |
| 作者：孫亮 黃倩 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 46584
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：5/1/2017 |
| 頁數：338 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115446466 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
| 內容簡介： |
目錄：第1章 引論 1
1.1 什麼是機器學習 1
1.2 機器學習演算法的分類 2
1.3 實際應用 3
1.3.1 病人住院時間預測 3
1.3.2 信用分數估計 4
1.3.3 Netflix上的影片推薦 4
1.3.4 酒店推薦 5
1.3.5 討論 6
1.4 本書概述 7
1.4.1 本書結構 9
1.4.2 閱讀材料及其他資源 10
第2章 R語言 12
2.1 R的簡單介紹 12
2.2 R的初步體驗 13
2.3 基本語法 14
2.3.1 語句 14
2.3.2 函數 17
2.4 常用資料結構 19
2.4.1 向量 19
2.4.2 因數 23
2.4.3 矩陣 24
2.4.4 數據框 26
2.4.5 列表 29
2.4.6 下標系統 33
2.5 公式物件和apply函數 34
2.6 R套裝軟體 36
2.6.1 套裝軟體的安裝 37
2.6.2 套裝軟體的使用 38
2.6.3 套裝軟體的開發 38
2.7 網路資源 38
第3章 數學基礎 39
3.1 概率 39
3.1.1 基本概念 39
3.1.2 基本公式 40
3.1.3 常用分佈 42
3.1.4 隨機向量及其分佈 43
3.1.5 隨機變數的數位特徵 46
3.1.6 隨機向量的數位特徵 48
3.2 統計 49
3.2.1 常用資料特徵 49
3.2.2 參數估計 52
3.3 矩陣 54
3.3.1 基本概念 54
3.3.2 基本運算 56
3.3.3 特徵值與特徵向量 57
3.3.4 矩陣分解 60
3.3.5 主成分分析 62
3.3.6 R中矩陣的計算 68
第4章 資料探索和預處理 74
4.1 資料類型 74
4.2 資料探索 75
4.2.1 常用統計量 76
4.2.2 使用R實際探索資料 76
4.3 數據預處理 82
4.3.1 缺失值的處理 82
4.3.2 數據的標準化 83
4.3.3 刪除已有變數 85
4.3.4 數據的變換 86
4.3.5 構建新的變數：啞變數 86
4.3.6 離群資料的處理 88
4.4 數據視覺化 89
4.4.1 長條圖 89
4.4.2 柱狀圖 92
4.4.3 莖葉圖 95
4.4.4 箱線圖 96
4.4.5 散點圖 100
第5章 回歸分析 104
5.1 回歸分析的基本思想 104
5.2 線性回歸和最小二乘法 105
5.2.1 最小二乘法的幾何解釋 106
5.2.2 線性回歸和極大似然估計 107
5.3 嶺回歸和Lasso 108
5.3.1 嶺回歸 108
5.3.2 Lasso與稀疏解 110
5.3.3 Elastic Net 114
5.4 回歸演算法的評價和選取 114
5.4.1 均方差和均方根誤差 114
5.4.2 可決係數 114
5.4.3 偏差-方差權衡 115
5.5 案例分析 118
5.5.1 資料導入和探索 118
5.5.2 數據預處理 120
5.5.3 將資料集分成訓練集和測試集 121
5.5.4 建立一個簡單的線性回歸模型 121
5.5.5 建立嶺回歸和Lasso模型 122
5.5.6 選取合適的模型 124
5.5.7 構造新的變數 126
5.6 小結 126
第6章 分類演算法 127
6.1 分類的基本思想 127
6.2 決策樹 130
6.2.1 基本原理 130
6.2.2 決策樹學習 131
6.2.3 過擬合和剪枝 138
6.2.4 實際使用 139
6.2.5 討論 148
6.3 邏輯回歸 148
6.3.1 sigmoid函數的性質 148
6.3.2 通過極大似然估計來估計參數 149
6.3.3 牛頓法 151
6.3.4 正則化項的引入 153
6.3.5 實際使用 154
6.4 支持向量機 161
6.4.1 基本思想：最大化分類間隔 161
6.4.2 最大分類間隔的數學表示 163
6.4.3 如何處理線性不可分的資料 164
6.4.4 Hinge損失函數 166
6.4.5 對偶問題 168
6.4.6 非線性支援向量機和核技巧 170
6.4.7 實際使用 173
6.5 損失函數和不同的分類演算法 175
6.5.1 損失函數 175
6.5.2 正則化項 178
6.6 交叉核對總和caret包 180
6.6.1 模型選擇和交叉檢驗 180
6.6.2 在R中實現交叉檢驗以及caret包 182
6.7 分類演算法的評價和比較 192
6.7.1 準確率 193
6.7.2 混淆矩陣 193
6.7.3 精確率、召回率和F1度量 195
6.7.4 ROC曲線和AUC 196
6.7.5 R中評價標準的計算 199
6.8 不平衡分類問題 201
6.8.1 使用不同的演算法評價標準 201
6.8.2 樣本權值 201
6.8.3 取樣方法 202
6.8.4 代價敏感學習 203
第7章 推薦演算法 205
7.1 推薦系統基礎 205
7.1.1 常用符號 208
7.1.2 推薦演算法的評價標準 209
7.2 基於內容的推薦演算法 210
7.3 基於矩陣分解的演算法 211
7.3.1 無矩陣分解的基準方法 211
7.3.2 基於奇異值分解的推薦演算法 212
7.3.3 基於SVD推薦演算法的變體 216
7.4 基於鄰域的推薦演算法 222
7.4.1 基於使用者的鄰域推薦演算法 223
7.4.2 基於商品的鄰域推薦演算法 225
7.4.3 混合演算法 226
7.4.4 相似度的計算 227
7.5 R中recommenderlab的實際 使用 232
7.6 推薦演算法的評價和選取 250
第8章 排序學習 253
8.1 排序學習簡介 253
8.1.1 解決排序問題的基本思路 254
8.1.2 構造特徵 255
8.1.3 獲取相關度分數 256
8.1.4 數學符號 257
8.2 排序演算法的評價 257
8.2.1 MAP 258
8.2.2 DCG 260
8.2.3 NDCG 261
8.2.4 討論 261
8.3 逐點方法 262
8.3.1 基於SVM的逐點排序方法 263
8.3.2 逐點方法討論 264
8.4 逐對方法 265
8.4.1 Ranking SVM演算法 265
8.4.2 IR-SVM演算法 266
8.4.3 RankNet演算法 267
8.4.4 LambdaRank演算法 271
8.4.5 LambdaMART演算法 273
8.5 逐列方法 279
8.5.1 SVMmap演算法 279
8.5.2 討論 283
第9章 集成學習 284
9.1 集成學習簡介 284
9.2 bagging簡介 285
9.3 隨機森林 289
9.3.1 訓練隨機森林的基本流程 289
9.3.2 利用隨機森林估計變數的 重要性 290
9.3.3 隨機森林的實際使用 291
9.4 boosting簡介 300
9.4.1 boosting和指數損失函數 301
9.4.2 AdaBoost演算法 302
9.4.3 AdaBoost的實際使用 306
9.4.4 討論 311
9.5 提升決策樹和梯度提升演算法 311
9.5.1 提升決策樹和梯度提升演算法的基本原理 311
9.5.2 如何避免過擬合 315
9.5.3 gbm包的實際使用 318
9.5.4 討論 327
9.6 學習器的聚合及stacking 328
9.6.1 簡單平均 328
9.6.2 加權平均 329
9.6.3 stacking的基本思想及應用 329
9.7 小結 331
參考文獻 332
索引 334
|
| 序： |
|
