实用机器学习

目 录 版权信息 内容提要 序一 序二 前言 第1章 引论 1.1 什么是机器学习 1.2 机器学习算法的分类 1.3 实际应用 1.3.1 病人住院时间预测 1.3.2 信用分数估计 1.3.3 Netflix上的影片推荐 1.3.4 酒店推荐 1.3.5 讨论 1.4 本书概述 1.4.1 本书结构 1.4.2 阅读材料及其他资源 第2章 R语言 2.1 R的简单介绍 2.2 R的初步体验 2.3 基本语法 2.3.1 语句 2.3.2 函数 2.4 常用数据结构 2.4.1 向量 2.4.2 因子 2.4.3 矩阵 2.4.4 数据框 2.4.5 列表 2.4.6 下标系统 2.5 公式对象和apply函数 2.6 R软件包 2.6.1 软件包的安装 2.6.2 软件包的使用 2.6.3 软件包的开发 2.7 网络资源 第3章 数学基础 3.1 概率 3.1.1 基本概念 3.1.2 基本公式 3.1.3 常用分布 3.1.4 随机向量及其分布 3.1.5 随机变量的数字特征 3.1.6 随机向量的数字特征 3.2 统计 3.2.1 常用数据特征 3.2.2 参数估计 3.3 矩阵 3.3.1 基本概念 3.3.2 基本运算 3.3.3 特征值与特征向量 3.3.4 矩阵分解 3.3.5 主成分分析 3.3.6 R中矩阵的计算 第4章 数据探索和预处理 4.1 数据类型 4.2 数据探索 4.2.1 常用统计量 4.2.2 使用R实际探索数据 4.3 数据预处理 4.3.1 缺失值的处理 4.3.2 数据的标准化 4.3.3 删除已有变量 4.3.4 数据的变换 4.3.5 构建新的变量：哑变量 4.3.6 离群数据的处理 4.4 数据可视化 4.4.1 直方图 4.4.2 柱状图 4.4.3 茎叶图 4.4.4 箱线图 4.4.5 散点图 第5章 回归分析 5.1 回归分析的基本思想 5.2 线性回归和最小二乘法 5.2.1 最小二乘法的几何解释 5.2.2 线性回归和极大似然估计 5.3 岭回归和Lasso 5.3.1 岭回归 5.3.2 Lasso与稀疏解 5.3.3 Elastic Net 5.4 回归算法的评价和选取 5.4.1 均方差和均方根误差 5.4.2 可决系数 5.4.3 偏差-方差权衡 5.5 案例分析 5.5.1 数据导入和探索 5.5.2 数据预处理 5.5.3 将数据集分成训练集和测试集 5.5.4 建立一个简单的线性回归模型 5.5.5 建立岭回归和Lasso模型 5.5.6 选取合适的模型 5.5.7 构造新的变量 5.6 小结 第6章 分类算法 6.1 分类的基本思想 6.2 决策树 6.2.1 基本原理 6.2.2 决策树学习 6......