用户下载说明：

电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：

http://product.dangdang.com/24224410.html

  

 

 

资料简介：

本书共12章：第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3～9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法——神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案例和详细的分析步骤，例如乳腺癌的判断、垃圾短信的过滤、贷款违约的预测、毒蘑菇的判别、医疗费用的预测、建筑用混凝土强度的预测、光学字符的识别、超市购物篮关联分析以及市场细分等；第10章介绍模型性能评价的原理和方法；第11章给出提高模型性能的几种常用方法；第12章讨论用R进行机器学习时可能遇到的一些高级专题，如特殊形式的数据、大数据集的处理、并行计算和GPU计算等技术。

 

资料目录：

推荐序
译者序
前言
关于审稿人
第1章　机器学习简介1
1.1　机器学习的起源1
1.2　机器学习的使用与滥用3
1.2.1　机器学习的成功使用3
1.2.2　机器学习的限制4
1.2.3　机器学习的伦理方面5
1.3　机器如何学习6
1.3.1　数据存储7
1.3.2　抽象化7
1.3.3　一般化9
1.3.4　评估10
1.4　实践中的机器学习11
1.4.1　输入数据的类型11
1.4.2　机器学习算法的类型12
1.4.3　为输入数据匹配算法14
1.5　使用R进行机器学习15
1.5.1　安装R添加包15
1.5.2　载入和卸载R添加包16
1.6　总结16
第2章　数据的管理和理解18
2.1　R数据结构18
2.1.1　向量18
2.1.2　因子20
2.1.3　列表21
2.1.4　数据框23
2.1.5　矩阵和数组25
2.2　用R管理数据27
2.2.1　保存、载入和移除R数据结构27
2.2.2　用CSV文件导入和保存数据28
2.3　探索和理解数据29
2.3.1　探索数据的结构29
2.3.2　探索数值变量30
2.3.3　探索分类变量38
2.3.4　探索变量之间的关系40
2.4　总结43
第3章　懒惰学习—使用近邻分类44
3.1　理解近邻分类44
3.1.1　kNN算法45
3.1.2　为什么kNN算法是懒惰的50
3.2　例子—用kNN算法诊断乳腺癌51
3.2.1　第1步—收集数据51
3.2.2　第2步—探索和准备数据52
3.2.3　第3步—基于数据训练模型55
3.2.4　第4步—评估模型的性能56
3.2.5　第5步—提高模型的性能57
3.3　总结59
第4章　概率学习—朴素贝叶斯分类60
4.1　理解朴素贝叶斯60
4.1.1　贝叶斯方法的基本概念61
4.1.2　朴素贝叶斯算法65
4.2　例子—基于贝叶斯算法的手机垃圾短信过滤69
4.2.1　第1步—收集数据69
4.2.2　第2步—探索和准备数据70
4.2.3　第3步—基于数据训练模型81
4.2.4　第4步—评估模型的性能82
4.2.5　第5步—提高模型的性能83
4.3　总结84
第5章　分而治之—应用决策树和规则进行分类85
5.1　理解决策树85
5.1.1　分而治之86
5.1.2　C5.0决策树算法89
5.2　例子—使用C5.0决策树识别高风险银行贷款91
5.2.1　第1步—收集数据92
5.2.2　第2步—探索和准备数据92
5.2.3　第3步—基于数据训练模型94
5.2.4　第4步—评估模型的性能97
5.2.5　第5步—提高模型的性能97
5.3　理解分类规则101
5.3.1　独立而治之101
5.3.2　1R算法103
5.3.3　RIPPER算法104
5.3.4　来自决策树的规则105
5.3.5　什么使决策树和规则贪婪106
5.4　例子—应用规则学习算法识别有毒的蘑菇108
5.4.1　第1步—收集数据108
5.4.2　第2步—探索和准备数据108
5.4.3　第3步—基于数据训练模型109
5.4.4　第4步—评估模型的性能111
5.4.5　第5步—提高模型的性能112
5.5　总结114
第6章　预测数值型数据—回归方法115
6.1　理解回归115
6.1.1　简单线性回归117
6.1.2　普通最小二乘估计119
6.1.3　相关性120
6.1.4　多元线性回归121
6.2　例子—应用线性回归预测医疗费用124
6.2.1　第1步—收集数据124
6.2.2　第2步—探索和准备数据125
6.2.3　第3步—基于数据训练模型129
6.2.4　第4步—评估模型的性能131
6.2.5　第5步—提高模型的性能132
6.3　理解回归树和模型树134
6.4　例子—用回归树和模型树估计葡萄酒的质量136
6.4.1　第1步—收集数据137
6.4.2　第2步—探索和准备数据137
6.4.3　第3步—基于数据训练模型139
6.4.4　第4步—评估模型的性能142
6.4.5　第5步—提高模型的性能143
6.5　总结145
第7章　黑箱方法—神经网络和支持向量机147
7.1理解神经网络147
7.1.1从生物神经元到人工神经元148
7.1.2激活函数149
7.1.3网络拓扑151
7.1.4用后向传播训练神经网络154
7.2例子—用人工神经网络对混凝土的强度进行建模155
7.2.1第1步—收集数据155
7.2.2第2步—探索和准备数据156
7.2.3第3步—基于数据训练模型157
7.2.4第4步—评估模型的性能159
7.2.5第5步—提高模型的性能159
7.3理解支持向量机161
7.3.1用超平面分类161
7.3.2对非线性空间使用核函数164
7.4例子—用支持向量机进行光学字符识别166
7.4.1第1步—收集数据166
7.4.2第2步—探索和准备数据167
7.4.3第3步—基于数据训练模型168
7.4.4第4步—评估模型的性能170
7.4.5第5步—提高模型的性能171
7.5总结172
第8章　探寻模式—基于关联规则的购物篮分析173
8.1理解关联规则173
8.1.1用于关联规则学习的Apriori算法174
8.1.2度量规则兴趣度—支持度和置信度175
8.1.3用Apriori原则建立规则176
8.2例子—用关联规则确定经常一起购买的食品杂货177
8.2.1第1步—收集数据177
8.2.2第2步—探索和准备数据178
8.2.3第3步—基于数据训练模型183
8.2.4第4步—评估模型的性能185
8.2.5第5步—提高模型的性能187
8.3总结190
第9章　寻找数据的分组—k均值聚类191
9.1理解聚类191
9.1.1聚类—一种机器学习任务192
9.1.2k均值聚类算法193
9.2例子—用k均值聚类探寻青少年市场细分198
9.2.1第1步—收集数据199
9.2.2第2步—探索和准备数据199
9.2.3第3步—基于数据训练模型203
9.2.4第4步—评估模型的性能205
9.2.5第5步—提高模型的性能207
9.3总结208