機器學習與數(shù)據(jù)科學：基于R的統(tǒng)計學習方法

定　價：￥59.00

作　者：	[美] Daniel，D.，Gutierrez，古鐵雷斯著；施翊譯
出版社：	人民郵電出版社
叢編項：
標　簽：	計算機?網(wǎng)絡人工智能

購買這本書可以去

ISBN：	9787115452405	出版時間：	2017-05-01	包裝：	平裝
開本：	小16開	頁數(shù)：	242	字數(shù)：

內(nèi)容簡介

　　當前，機器學習和數(shù)據(jù)科學都是很重要和熱門的相關學科，需要深入地研究學習才能精通。本書試圖指導讀者掌握如何完成涉及機器學習的數(shù)據(jù)科學項目。本書將為數(shù)據(jù)科學家提供一些在統(tǒng)計學習領域會用到的工具和技巧，涉及數(shù)據(jù)連接、數(shù)據(jù)處理、探索性數(shù)據(jù)分析、監(jiān)督機器學習、非監(jiān)督機器學習和模型評估。本書選用的是R統(tǒng)計環(huán)境，書中所有代碼示例都是用R語言編寫的，涉及眾多流行的R包和數(shù)據(jù)集。本書適合數(shù)據(jù)科學家、數(shù)據(jù)分析師、軟件開發(fā)者以及需要了解數(shù)據(jù)科學和機器學習方法的科研人員閱讀參考。

作者簡介

　　Daniel D. Gutierrez是一位在職的數(shù)據(jù)科學家，就職于加州Santa Monica的咨詢公司AMULET Analytics。為了緊跟行業(yè)的潮流，Daniel也是insideBIGDATA.com的執(zhí)行編輯。同時，他也是一位教師，為大學和大型公司開設了數(shù)據(jù)科學、機器學習和R方面的課程。Deniel本科畢業(yè)于UCLA，專業(yè)是數(shù)學和計算機科學。

圖書目錄

第1章　機器學習綜述\t1
1．1　機器學習的分類　2
1．2　機器學習的實際案例　3
1．2．1　預測回頭客挑戰(zhàn)賽　4
1．2．2　Netflix公司　5
1．2．3　算法交易挑戰(zhàn)賽　6
1．2．4　Heritage健康獎　7
1．3　機器學習的過程　10
1．4　機器學習背后的數(shù)學　15
1．5　成為一名數(shù)據(jù)科學家　16
1．6　統(tǒng)計計算的R工程　18
1．7　RStudio　19
1．8　使用R包　20
1．9　數(shù)據(jù)集　22
1．10　在生產(chǎn)中使用R　23
1．11　小結　24
第2章　連接數(shù)據(jù)　25
2．1　管理你的工作目錄　27
2．2　數(shù)據(jù)文件的種類　28
2．3　數(shù)據(jù)的來源　28
2．4　從網(wǎng)絡中下載數(shù)據(jù)集　29
2．5　讀取CSV文件　31
2．6　讀取Excel文件　33
2．7　使用文件連接　34
2．8　讀取JSON文件　35
2．9　從網(wǎng)站中抓取數(shù)據(jù)　36
2．10　SQL數(shù)據(jù)庫　38
2．11　R中的SQL等價表述　42
2．12　讀取Twitter數(shù)據(jù)　46
2．13　從谷歌分析中讀取數(shù)據(jù)　48
2．14　寫數(shù)據(jù)　51
2．15　小結　53
第3章　數(shù)據(jù)處理　54
3．1　特征工程　57
3．2　數(shù)據(jù)管道　59
3．3　數(shù)據(jù)采樣　60
3．4　修正變量名　60
3．5　創(chuàng)建新變量　62
3．6　數(shù)值離散化　63
3．7　日期處理　65
3．8　將類變量二值化　67
3．9　合并數(shù)據(jù)集　68
3．10　排列數(shù)據(jù)集　70
3．11　重塑數(shù)據(jù)集　71
3．12　使用dplyr進行數(shù)據(jù)操作　72
3．13　處理缺失數(shù)據(jù)　75
3．14　特征縮放　77
3．15　降維　78
3．16　小結　81
第4章　探索性數(shù)據(jù)分析　83
4．1　數(shù)據(jù)統(tǒng)計　84
4．2　探索性可視化　87
4．3　直方圖　88
4．4　箱形圖　89
4．5　條形圖　92
4．6　密度圖　93
4．7　散點圖　95
4．8　QQ圖　101
4．9　熱圖　102
4．10　缺失值的圖表　103
4．11　解釋性圖表　104
4．12　小結　106
第5章　回歸　107
5．1　一元線性回歸　108
5．2　多元線性回歸　120
5．3　多項式回歸　127
5．4　小結　134
第6章　分類　136
6．1　一個簡單的例子　137
6．2　邏輯回歸　139
6．3　分類樹　143
6．4　樸素貝葉斯　147
6．5　K-最近鄰　151
6．6　支持向量機　155
6．7　神經(jīng)網(wǎng)絡　159
6．8　集成　165
6．9　隨機森林　168
6．10　梯度提升機　171
6．11　小結　174
第7章　評估模型性能　176
7．1　過擬合　177
7．2　偏差和方差　183
7．3　干擾因子　187
7．4　數(shù)據(jù)泄漏　188
7．5　測定回歸性能　190
7．6　測定分類性能　194
7．7　交叉驗證　197
7．8　其他機器學習診斷法　204
7．8．1　獲取更多的訓練觀測數(shù)據(jù)　205
7．8．2　特征降維　205
7．8．3　添加新特征　205
7．8．4　添加多項式特征　206
7．8．5　對正則化參數(shù)進行微調(diào)　206
7．9　小結　206
第8章　非監(jiān)督學習　208
8．1　聚類　209
8．2　模擬聚類　211
8．3　分級聚類　212
8．4　K-均值聚類　219
8．5　主成分分析　224
8．6　小結　233
術語表　234