第 1章 基礎知識 1
1.1　準備數據　1
1.1.1　數據格式　1
1.1.2　變量類型　2
1.1.3　變量選擇　3
1.1.4　特征工程　3
1.1.5　缺失數據　4
1.2　選擇算法　4
1.2.1　無監督學習　5
1.2.2　監督學習　6
1.2.3　強化學習　7
1.2.4　注意事項　7
1.3　參數調優　7
1.4　評價模型　9
1.4.1　分類指標　9
1.4.2　回歸指標　10
1.4.3　驗證　10
1.5　小結　11
第　2章 k均值聚類　13
2.1　找出顧客群　13
2.2　示例：影迷的性格特征　13
2.3　定義群組　16
2.3.1　有多少個群組　16
2.3.2　每個群組中有誰　17
2.4　局限性　18
2.5　小結　19
第3章　主成分分析　21
3.1　食物的營養成分　21
3.2　主成分　22
3.3　示例：分析食物種類　24
3.4　局限性　27
3.5　小結　29
第4章　關聯規則　31
4.1　發現購買模式　31
4.2　支持度、置信度和提升度　31
4.3　示例：分析雜貨店的銷售數據　33
4.4　先驗原則　35
4.4.1　尋找具有高支持度的項集　36
4.4.2　尋找具有高置信度或高提升度的關聯規則　37
4.5　局限性　37
4.6　小結　37
第5章　社會網絡分析　39
5.1　展現人際關系　39
5.2　示例：國際貿易　40
5.3　Louvain方法　42
5.4　PageRank算法　43
5.5　局限性　46
5.6　小結　47
第6章　回歸分析　49
6.1　趨勢線　49
6.2　示例：預測房價　49
6.3　梯度下降法　52
6.4　回歸系數　54
6.5　相關系數　55
6.6　局限性　56
6.7　小結　57
第7章　k最近鄰算法和異常檢測　59
7.1　食品檢測　59
7.2　物以類聚，人以群分　60
7.3　示例：區分紅白葡萄酒　61
7.4　異常檢測　62
7.5　局限性　63
7.6　小結　63
第8章　支持向量機　65
8.1　醫學診斷　65
8.2　示例：預測心臟病　65
8.3　勾畫最佳分界線　66
8.4　局限性　69
8.5　小結　69
第9章　決策樹　71
9.1　預測災難幸存者　71
9.2　示例：逃離泰坦尼克號　72
9.3　生成決策樹　73
9.4　局限性　74
9.5　小結　75
第　10章 隨機森林　77
10.1　集體智慧　77
10.2　示例：預測犯罪行為　77
10.3　集成模型　81
10.4　自助聚集法　82
10.5　局限性　83
10.6　小結　84
第　11章 神經網絡　85
11.1　建造人工智能大腦　85
11.2　示例：識別手寫數字　86
11.3　神經網絡的構成　89
11.4　激活規則　91
11.5　局限性　92
11.6　小結　94
第　12章 A/B測試和多臂老虎機　95
12.1　初識A/B測試　95
12.2　A/B測試的局限性　95
12.3　epsilon遞減策略　96
12.4　示例：多臂老虎機　97
12.5　勝者為先　99
12.6　epsilon遞減策略的局限性　99
12.7　小結　100
附錄A　無監督學習算法概覽　101
附錄B　監督學習算法概覽　102
附錄C　調節參數列表　103
附錄D　更多評價指標　104
術語表　107
關于作者　114