转载自：https://download.csdn.net/download/hanmowen/10552348

 

本站整理下载：

 

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/25253041.html

  

相关截图：

 

资料简介：

机器学习是近年来的热门技术话题，R语言是处理其中大量数据的有力工具。本书为读者提供机器学习和R语言的坚实算法基础和业务基础，内容包括机器学习基本概念、线性回归、逻辑回归和判别分析、线性模型的高 级选择特性、K* 近邻和支持向量机等，力图平衡实践中的技术和理论两方面。 本书适合试图理解和表述机器学习算法的IT人士、想在分析中发挥R强大威力的统计学专家。即使是同时精通IT技术和统计学的读者，在本书中仍然可以发现一些有用的窍门和技巧。

 

资料目录：
 1章　成功之路 1

1.1　流程 1

1.2　业务理解 2

1.2.1　确定业务目标 3

1.2.2　现状评估 4

1.2.3　确定分析目标 4

1.2.4　建立项目计划 4

1.3　数据理解 4

1.4　数据准备 5

1.5　建模 5

1.6　评价 6

1.7　部署 6

1.8　算法流程图 7

1.9　小结 10

* 2章　线性回归：机器学习基础技术 11

2.1　单变量回归 11

2.2　多变量线性回归 18

2.2.1　业务理解 18

2.2.2　数据理解和数据准备 18

2.2.3　模型构建与模型评价 21

2.3　线性模型中的其他问题 30

2.3.1　定性特征 30

2.3.2　交互项 32

2.4　小结 34

第3章　逻辑斯蒂回归与判别分析 35

3.1　分类方法与线性回归 35

3.2　逻辑斯蒂回归 36

3.2.1　业务理解 36

3.2.2　数据理解和数据准备 37

3.2.3　模型构建与模型评价 41

3.3　判别分析概述 46

3.4　多元自适应回归样条方法 50

3.5　模型选择 54

3.6　小结 57

第4章　线性模型中的高 级特征选择技术 58

4.1　正则化简介 58

4.1.1　岭回归 59

4.1.2　LASSO 59

4.1.3　弹性网络 60

4.2　商业案例 60

4.2.1　业务理解 60

4.2.2　数据理解和数据准备 60

4.3　模型构建与模型评价 65

4.3.1　* 优子集 65

4.3.2　岭回归 68

4.3.3　LASSO 71

4.3.4　弹性网络 73

4.3.5　使用glmnet进行交叉验证 76

4.4　模型选择 78

4.5　正则化与分类问题 78

4.6　小结 81

第5章　更多分类技术：K-* 近邻与

支持向量机 82

5.1　K-* 近邻 82

5.2　支持向量机 84

5.3　商业案例 86

5.3.1　业务理解 86

5.3.2　数据理解和数据准备 87

5.3.3　模型构建与模型评价 92

5.3.4　模型选择 98

5.4　SVM中的特征选择 100

5.5　小结 101

第6章　分类回归树 103

6.1　本章技术概述 103

6.1.1　回归树 104

6.1.2　分类树 104

6.1.3　随机森林 105

6.1.4　梯度提升 106

6.2　商业案例 106

6.2.1　模型构建与模型评价 107

6.2.2　模型选择 121

6.2.3　使用随机森林进行特征选择 121

6.3　小结 123

第7章　神经网络与深度学习 124

7.1　神经网络介绍 124

7.2　深度学习简介 128

深度学习资源与高 级方法 130

7.3　业务理解 131

7.4　数据理解和数据准备 132

7.5　模型构建与模型评价 136

7.6　深度学习示例 139

7.6.1　H2O背景介绍 139

7.6.2　将数据上载到H2O平台 140

7.6.3　建立训练数据集和测试

数据集 141

7.6.4　模型构建 142

7.7　小结 146

第8章　聚类分析 147

8.1　层次聚类 148

8.2　K-均值聚类 149

8.3　果瓦系数与围绕中心的划分 150

8.3.1　果瓦系数 150

8.3.2　PAM 151

8.4　随机森林 151

8.5　业务理解 152

8.6　数据理解与数据准备 152

8.7　模型构建与模型评价 155

8.7.1　层次聚类 155

8.7.2　K-均值聚类 162

8.7.3　果瓦系数和PAM 165

8.7.4　随机森林与PAM 167

8.8　小结 168

第9章　主成分分析 169

9.1　主成分简介 170

9.2　业务理解 173

9.3　模型构建与模型评价 176

9.3.1　主成分抽取 176

9.3.2　正交旋转与解释 177

9.3.3　根据主成分建立因子得分 178

9.3.4　回归分析 178

9.4　小结 184

* 10章　购物篮分析、推荐引擎与

序列分析 185

10.1　购物篮分析简介 186

10.2　业务理解 187

10.3　数据理解和数据准备 187

10.4　模型构建与模型评价 189

10.5　推荐引擎简介 192

10.5.1　基于用户的协同过滤 193

10.5.2　基于项目的协同过滤 194

10.5.3　奇异值分解和主成分分析 194

10.6　推荐系统的业务理解 198

10.7　推荐系统的数据理解与数据准备 198

10.8　推荐系统的建模与评价 200

10.9　序列数据分析 208

10.10　小结 214

* 11章　创建集成多类分类 215

11.1　集成模型 215

11.2　业务理解与数据理解 216

11.3　模型评价与模型选择 217

11.4　多类分类 219

11.5　业务理解与数据理解 220

11.6　模型评价与模型选择 223

11.6.1　随机森林 224

11.6.2　岭回归 225

11.7　MLR集成模型 226

11.8　小结 228

* 12章　时间序列与因果关系 229

12.1　单变量时间序列分析 229

12.2　业务理解 235

12.3　模型构建与模型评价 240

12.3.1　单变量时间序列预测 240

12.3.2　检查因果关系 243

12.4　小结 249

* 13章　文本挖掘 250

13.1　文本挖掘框架与方法 250

13.2　主题模型 252

13.3　业务理解 254

13.4　模型构建与模型评价 257

13.4.1　词频分析与主题模型 257

13.4.2　其他定量分析 261

13.5　小结 267

* 14章　在云上使用R语言 268

14.1　创建AWS账户 269

14.1.1　启动虚拟机 270

14.1.2　启动Rstudio 272

14.2　小结 274

附录A　R语言基础 275