R語(yǔ)言機(jī)器學(xué)習(xí)（原書(shū)第2版）

定　價(jià)：￥119.00

作　者：	（?。┛ㄎ骺恕だ斕K布蘭馬尼安
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111641049	出版時(shí)間：	2019-12-01	包裝：
開(kāi)本：		頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)是介紹機(jī)器學(xué)習(xí)技術(shù)的綜合指南，從基礎(chǔ)的統(tǒng)計(jì)學(xué)原理和R語(yǔ)言編程知識(shí)，到核心的機(jī)器學(xué)習(xí)理論和算法分析，以及機(jī)器學(xué)習(xí)模型的評(píng)估和改進(jìn)方法，再到機(jī)器學(xué)習(xí)技術(shù)在大數(shù)據(jù)平臺(tái)上的應(yīng)用，書(shū)中都有詳細(xì)介紹。本書(shū)主要在第1版的基礎(chǔ)上增加了兩個(gè)部分：*個(gè)是關(guān)于時(shí)間序列模型的新章節(jié)（第 9 章），這是一個(gè)源于統(tǒng)計(jì)學(xué)的傳統(tǒng)主題。第二個(gè)新增的章節(jié)是深度學(xué)習(xí)（第 11 章），它是機(jī)器學(xué)習(xí)的一個(gè)迅速崛起的子領(lǐng)域。除了增加這兩個(gè)章節(jié)之外，本書(shū)中的文本和代碼會(huì)以一種讀者友好的新格式來(lái)整體呈現(xiàn)。新版會(huì)繼續(xù)專注于使用流行的統(tǒng)計(jì)編程語(yǔ)言 R 來(lái)構(gòu)建用例。對(duì)于深度學(xué)習(xí)這樣的主題，我們建議采用 Python 語(yǔ)言來(lái)配合 TensorFlow 這樣的框架。但是，在第2版中，我們會(huì)向讀者展示如何在 TensorFlow 中使用 R 語(yǔ)言編程，因此如果讀者只熟悉 R，可以暫時(shí)無(wú)須學(xué)習(xí) Python。與第1版一樣，我們通過(guò)各種實(shí)際用例保持了機(jī)器學(xué)習(xí)理論與應(yīng)用的良好平衡，為讀者提供了一個(gè)真正全面的機(jī)器學(xué)習(xí)主題集合。

作者簡(jiǎn)介

　　曼卡西克·拉瑪蘇布蘭馬尼安（Karthik Ramasubramanian）就職于印度創(chuàng)業(yè)技術(shù)公司 Hike Messenger。他一直為零售、電子商務(wù)和技術(shù)行業(yè)解決跨行業(yè)的數(shù)據(jù)科學(xué)問(wèn)題，開(kāi)發(fā)數(shù)據(jù)驅(qū)動(dòng)的解決方案并進(jìn)行原型構(gòu)建。Karthik 對(duì)整個(gè)數(shù)據(jù)科學(xué)生命周期（從探索數(shù)據(jù)問(wèn)題，到創(chuàng)建數(shù)據(jù)科學(xué)模型，以及開(kāi)發(fā)各行業(yè)相關(guān)產(chǎn)品）都具有豐富的經(jīng)驗(yàn)。阿布舍克·辛格（Abhishek Singh）他領(lǐng)導(dǎo)的數(shù)據(jù)科學(xué)專業(yè)團(tuán)隊(duì)正在解決糧食安全、網(wǎng)絡(luò)安全、自然災(zāi)害、醫(yī)療保健以及更多領(lǐng)域的緊迫問(wèn)題。他對(duì)美國(guó)銀行的資產(chǎn)進(jìn)行了壓力測(cè)試，開(kāi)發(fā)了保險(xiǎn)定價(jià)模型，并優(yōu)化了客戶的電信體驗(yàn)。他積極參與數(shù)據(jù)科學(xué)分析相關(guān)的思想交流、創(chuàng)作、公開(kāi)演講、會(huì)議和培訓(xùn)。他堅(jiān)定地支持負(fù)責(zé)任地使用人工智能來(lái)消除偏見(jiàn)，并堅(jiān)信合理使用AI將使生活更美好。

圖書(shū)目錄

譯者序
前言
第1章　機(jī)器學(xué)習(xí)和R語(yǔ)言入門(mén)1
1.1　了解發(fā)展歷程1
1.1.1　統(tǒng)計(jì)學(xué)習(xí)2
1.1.2　機(jī)器學(xué)習(xí)2
1.1.3　人工智能3
1.1.4　數(shù)據(jù)挖掘3
1.1.5　數(shù)據(jù)科學(xué)4
1.2　概率與統(tǒng)計(jì)5
1.2.1　計(jì)數(shù)和概率的定義5
1.2.2　事件和關(guān)系7
1.2.3　隨機(jī)性、概率和分布9
1.2.4　置信區(qū)間和假設(shè)檢驗(yàn)9
1.3　R語(yǔ)言入門(mén)13
1.3.1　基本組成部分13
1.3.2　R語(yǔ)言的數(shù)據(jù)結(jié)構(gòu)14
1.3.3　子集處理15
1.3.4　函數(shù)和Apply系列17
1.4　機(jī)器學(xué)習(xí)過(guò)程工作流19
1.4.1　計(jì)劃20
1.4.2　探索20
1.4.3　構(gòu)建20
1.4.4　評(píng)估20
1.5　其他技術(shù)21
1.6　小結(jié)21
第2章　數(shù)據(jù)準(zhǔn)備和探索22
2.1　規(guī)劃數(shù)據(jù)收集23
2.1.1　變量類型23
2.1.2　數(shù)據(jù)格式24
2.1.3　數(shù)據(jù)源的類型29
2.2　初始數(shù)據(jù)分析30
2.2.1　初步印象30
2.2.2　把多個(gè)數(shù)據(jù)源組織到一起32
2.2.3　整理數(shù)據(jù)34
2.2.4　補(bǔ)充更多信息37
2.2.5　重塑38
2.3　探索性數(shù)據(jù)分析38
2.3.1　摘要統(tǒng)計(jì)量39
2.3.2　矩42
2.4　案例研究：信用卡欺詐46
2.4.1　數(shù)據(jù)導(dǎo)入46
2.4.2　數(shù)據(jù)變換47
2.4.3　數(shù)據(jù)探索48
2.5　小結(jié)50
第3章　抽樣與重抽樣技術(shù)51
3.1　介紹抽樣技術(shù)51
3.2　抽樣的術(shù)語(yǔ)52
3.2.1　樣本52
3.2.2　抽樣分布52
3.2.3　總?cè)后w的均值和方差53
3.2.4　樣本均值和方差53
3.2.5　匯總的均值和方差53
3.2.6　抽樣點(diǎn)53
3.2.7　抽樣誤差54
3.2.8　抽樣率54
3.2.9　抽樣偏誤54
3.2.10　無(wú)放回的抽樣54
3.2.11　有放回的抽樣55
3.3　信用卡欺詐：總?cè)后w的統(tǒng)計(jì)量55
3.3.1　數(shù)據(jù)描述55
3.3.2　總?cè)后w的均值56
3.3.3　總?cè)后w的方差56
3.3.4　匯總的均值和方差56
3.4　抽樣在業(yè)務(wù)上的意義59
3.5　概率和非概率抽樣60
3.6　關(guān)于抽樣分布的統(tǒng)計(jì)理論61
3.6.1　大數(shù)定律62
3.6.2　中心極限定理64
3.7　概率抽樣技術(shù)67
3.7.1　總?cè)后w的統(tǒng)計(jì)量67
3.7.2　簡(jiǎn)單隨機(jī)抽樣70
3.7.3　系統(tǒng)性隨機(jī)抽樣75
3.7.4　分層隨機(jī)抽樣78
3.7.5　聚類抽樣83
3.7.6　自助抽樣88
3.8　蒙特卡羅方法：接受-拒絕93
3.9　小結(jié)95
第4章　R語(yǔ)言里的數(shù)據(jù)可視化96
4.1　ggplot2組件包簡(jiǎn)介97
4.2　世界經(jīng)濟(jì)發(fā)展指標(biāo)97
4.3　折線圖97
4.4　堆疊柱狀圖102
4.5　散點(diǎn)圖106
4.6　箱形圖107
4.7　直方圖和密度圖109
4.8　餅圖113
4.9　相關(guān)圖114
4.10　熱點(diǎn)圖116
4.11　氣泡圖117
4.12　瀑布圖120
4.13　系統(tǒng)樹(shù)圖122
4.14　關(guān)鍵字云124
4.15　?；鶊D126
4.16　時(shí)間序列圖127
4.17　隊(duì)列圖129
4.18　空間圖130
4.19　小結(jié)133
第5章　特征工程135
5.1　特征工程簡(jiǎn)介135
5.2　了解工作數(shù)據(jù)136
5.2.1　數(shù)據(jù)摘要137
5.2.2　因變量的屬性137
5.2.3　特征的可用性：連續(xù)型或
　　　分類型140
5.2.4　設(shè)置數(shù)據(jù)的假設(shè)141
5.3　特征排名141
5.4　變量子集的選擇144
5.4.1　過(guò)濾器方法145
5.4.2　包裝器方法148
5.4.3　嵌入式方法154
5.5　主成分分析158
5.6　小結(jié)161
第6章　機(jī)器學(xué)習(xí)理論和實(shí)踐162
6.1　機(jī)器學(xué)習(xí)的類型163
6.1.1　有監(jiān)督學(xué)習(xí)164
6.1.2　無(wú)監(jiān)督學(xué)習(xí)164
6.1.3　半監(jiān)督學(xué)習(xí)165
6.1.4　強(qiáng)化學(xué)習(xí)165
6.2　機(jī)器學(xué)習(xí)算法的類別165
6.3　實(shí)際環(huán)境的數(shù)據(jù)集168
6.3.1　房產(chǎn)售價(jià)168
6.3.2　購(gòu)買(mǎi)偏好169
6.3.3　Twitter訂閱和文章169
6.3.4　乳腺癌170
6.3.5　購(gòu)物籃170
6.3.6　亞馬遜美食評(píng)論170
6.4　回歸分析171
6.5　相關(guān)分析172
6.5.1　線性回歸174
6.5.2　簡(jiǎn)單線性回歸175
6.5.3　多元線性回歸177
6.5.4　模型診斷：線性回歸180
6.5.5　多項(xiàng)回歸190
6.5.6　邏輯回歸193
6.5.7　logit變換194
6.5.8　幾率比194
6.5.9　模型診斷：邏輯回歸200
6.5.10　多項(xiàng)邏輯回歸208
6.5.11　廣義線性模型211
6.5.12　結(jié)論212
6.6　支持向量機(jī)213
6.6.1　線性SVM214
6.6.2　二元SVM分類模型214
6.6.3　多類別SVM216
6.6.4　結(jié)論217
6.7　決策樹(shù)217
6.7.1　決策樹(shù)的類型218
6.7.2　決策指標(biāo)219
6.7.3　決策樹(shù)學(xué)習(xí)方法221
6.7.4　集成樹(shù)235
6.7.5　結(jié)論241
6.8　樸素貝葉斯方法241
6.8.1　條件概率241
6.8.2　貝葉斯定理241
6.8.3　先驗(yàn)概率242
6.8.4　后驗(yàn)概率242
6.8.5　似然和邊際似然242
6.8.6　樸素貝葉斯方法243
6.8.7　結(jié)論247
6.9　聚類分析247
6.9.1　聚類方法簡(jiǎn)介248
6.9.2　聚類算法248
6.9.3　內(nèi)部評(píng)估256
6.9.4　外部評(píng)估257
6.9.5　結(jié)論259
6.10　關(guān)聯(lián)規(guī)則挖掘259
6.10.1　關(guān)聯(lián)概念簡(jiǎn)介259
6.10.2　規(guī)則挖掘算法261
6.10.3　推薦算法267
6.10.4　結(jié)論273
6.11　人工神經(jīng)網(wǎng)絡(luò)273
6.11.1　人類認(rèn)知學(xué)習(xí)273
6.11.2　感知器275
6.11.3　Sigmoid神經(jīng)元276
6.11.4　神經(jīng)網(wǎng)絡(luò)的體系架構(gòu)277
6.11.5　有監(jiān)督與無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)278
6.11.6　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法279
6.11.7　前饋反向傳播281
6.11.8　結(jié)論286
6.12　文本挖掘方法286
6.12.1　文本挖掘簡(jiǎn)介287
6.12.2　文本摘要288
6.12.3　TF-IDF289
6.12.4　詞性標(biāo)注291
6.12.5　關(guān)鍵字云295
6.12.6　文本分析：Microsoft Cognitive Services295
6.12.7　結(jié)論304
6.13　在線機(jī)器學(xué)習(xí)算法304
6.13.1　模糊C均值聚類305
6.13.2　結(jié)論308
6.14　構(gòu)建模型的核對(duì)清單308
6.15　小結(jié)308
第7章　機(jī)器學(xué)習(xí)模型的評(píng)估309
7.1　數(shù)據(jù)集309
7.1.1　房產(chǎn)售價(jià)309
7.1.2　購(gòu)買(mǎi)偏好311
7.2　模型性能和評(píng)估入門(mén)312
7.3　模型性能評(píng)估的目標(biāo)313
7.4　總?cè)后w的穩(wěn)定性指數(shù)314
7.5　連續(xù)型輸出的模型評(píng)估318
7.5.1　平均誤差320
7.5.2　均方根誤差321
7.5.3　R2322
7.6　離散型輸出的模型評(píng)估325
7.6.1　分類矩陣325
7.6.2　靈敏度和特異性329
7.6.3　ROC曲線下的面積330
7.7　概率技術(shù)333
7.7.1　K折交叉驗(yàn)證333
7.7.2　自助抽樣335
7.8　Kappa誤差指標(biāo)336
7.9　小結(jié)339
第8章　模型性能改進(jìn)340
8.1　Caret組件包概述341
8.2　超參數(shù)簡(jiǎn)介343
8.3　超參數(shù)優(yōu)化345
8.3.1　人工搜索346
8.3.2　人工網(wǎng)格搜索348
8.3.3　自動(dòng)網(wǎng)格搜索349
8.3.4　搜索351
8.3.5　隨機(jī)搜索353
8.3.6　自定義搜索354
8.4　偏誤和方差權(quán)衡357
8.5　集成學(xué)習(xí)簡(jiǎn)介360
8.5.1　投票集成360
8.5.2　集成學(xué)習(xí)中的高級(jí)方法361
8.6　在R語(yǔ)言里演示集成技術(shù)364
8.6.1　裝袋樹(shù)364
8.6.2　決策樹(shù)的梯度增強(qiáng)366
8.6.3　混合knn和rpart369
8.6.4　利用caretEnsemble進(jìn)行堆疊370
8.7　高級(jí)主題：機(jī)器學(xué)習(xí)模型的貝葉斯優(yōu)化374
8.8　小結(jié)379
第9章　時(shí)間序列模型380
9.1　時(shí)間序列的組成部分380
9.2　平穩(wěn)性檢驗(yàn)383
9.3　ACF和AR模型386
9.4　PACF和MA模型388
9.5　ARIMA模型391
9.6　具有AR誤差的線性回歸397
9.7　小結(jié)400
第10章　可擴(kuò)展機(jī)器學(xué)習(xí)和相關(guān)技術(shù)402
10.1　分布式處理和存儲(chǔ)402
10.1.1　GFS403
10.1.2　MapReduce404
10.1.3　R語(yǔ)言里的并行執(zhí)行404
10.2　Hadoop生態(tài)系統(tǒng)407
10.2.1　MapReduce408
10.2.2　Hive411
10.2.3　Apache Pig414
10.2.4　HBase417
10.2.5　Spark418
10.3　在R語(yǔ)言環(huán)境下用Spark進(jìn)行機(jī)器學(xué)習(xí)419
10.3.1　設(shè)置環(huán)境變量419
10.3.2　初始化Spark會(huì)話420
10.3.3　加載數(shù)據(jù)并運(yùn)行預(yù)處理420
10.3.4　創(chuàng)建SparkDataFrame421
10.3.5　構(gòu)建機(jī)器學(xué)習(xí)模型421
10.3.6　對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)422
10.3.7　終止SparkR會(huì)話423
10.4　在R語(yǔ)言里利用H2O進(jìn)行機(jī)器學(xué)習(xí)423
10.4.1　安裝組件包424
10.4.2　H2O集群的初始化424
10.5　小結(jié)425
第11章　用Keras和TensorFlow進(jìn)行深度學(xué)習(xí)427
11.1　深度學(xué)習(xí)簡(jiǎn)介427
11.2　深度學(xué)習(xí)架構(gòu)428
11.2.1　卷積神經(jīng)網(wǎng)絡(luò)428
11.2.2　遞歸神經(jīng)網(wǎng)絡(luò)429
11.2.3　生成對(duì)抗網(wǎng)絡(luò)430
11.3　深度學(xué)習(xí)的工具集431
11.3.1　高級(jí)庫(kù)431
11.3.2　后端引擎或框架431
11.3.3　硬件能力432
11.3.4　編程語(yǔ)言的選擇432
11.3.5　云基礎(chǔ)架構(gòu)432
11.4　用例：識(shí)別Quora中的重復(fù)問(wèn)題432
11.4.1　環(huán)境設(shè)置432
11.4.2　數(shù)據(jù)預(yù)處理433
11.4.3　基準(zhǔn)模型434
11.4.4　Siamese遞歸架構(gòu)435
11.4.5　Keras模型437
11.4.6　模型的摘要437
11.4.7　驗(yàn)證樣本438
11.4.8　訓(xùn)練模型438
11.4.9　保存模型439
11.4.10　模型性能439
11.4.11　進(jìn)行預(yù)測(cè)440
11.4.12　預(yù)測(cè)示例440
11.5　小結(jié)441